CASTNet：用于 EEG 右手张开/闭合运动尝试解码的循环一致性注意力网络

基于摘要分析。该研究针对同一肢体不同动作的脑活动高度重叠、难以区分的问题，提出 Cycle-consistent Attention-based Spatio-Temporal Network（CASTNet），用于分类右手张开与闭合运动尝试的 EEG。研究对象是运动尝试，不应直接等同于运动想象（MI）或实际运动执行。 核心机制是先通过时空滤波器提取与运动尝试相关的可区分特征，再利用 Transformer 层捕获长程依赖；随后在被试依赖设置下，对目标数据与其余训练集应用循环一致性。摘要未说明循环一致性的具体映射、损失形式、目标数据的标签使用方式以及模型适应流程，这些细节尚未验证，不能据此认定其属于某种特定域适应或测试时自适应方法。 作者报告，网络在包含 50 名被试、执行右手张开/闭合运动尝试的数据集上得到验证，并在模型适应场景中表现出较高的数据利用效能。摘要未提供数据集名称、训练与测试划分、对照基线或具体指标，因此尚不能量化这一收益，也不能将被试依赖设置下的描述推断为跨被试泛化结果。 全文核对重点包括循环一致性如何构造、目标数据如何参与适应、时空滤波与 Transformer 各自的贡献，以及噪声、被试内变异对解码的影响。实验协议、消融及统计信息尚未验证；代码、预处理流程和完整训练配置的可获取性亦尚未验证。