MixNet：融合经典与现代方法，构建运动想象 EEG 分类的完整流程

MixNet 面向运动想象（MI）EEG 分类中跨被试判别模式难以提取的问题，将经典 FBCSP 特征提取与 MIN2Net 多任务学习架构结合，并通过自适应梯度混合协调各任务的学习。基于摘要分析，未取得论文全文。 核心机制是先对 MI 数据应用 filter-bank common spatial patterns（FBCSP，滤波器组共空间模式），生成谱域—空间信号，再使用 MIN2Net 进行分类。针对多任务学习中各任务泛化速度不同、过拟合倾向不一致的问题，作者引入自适应梯度混合，同时调节多个损失的权重与各任务的学习节奏。摘要未说明具体任务组成、损失形式、泛化与过拟合的估计方式，以及权重更新规则，这些实现细节尚未验证。 作者报告，在六个数据规模不同的基准数据集上，MixNet 在被试依赖（subject-dependent）和被试独立（subject-independent）设置中均优于所比较的最先进算法；作者还报告，在低密度 EEG 的 MI 分类中优于所比较算法。摘要未提供数据集名称、被试数、通道配置、数据划分、对照方法、评价指标或具体数值，因此尚不能判断提升幅度，也不能直接比较不同评估设置的结果。实验协议、消融及统计信息尚未验证。 阅读与复现的重点是区分 FBCSP 特征、多任务架构和自适应梯度混合各自的贡献，并核对被试独立评估中 FBCSP 的拟合范围、模型选择流程及低密度通道设置。作者将低密度 EEG 结果视为面向 IoT 轻量化、便携式 EEG 可穿戴设备的潜在应用依据，但摘要中的分类结果不能替代设备端计算开销、在线性能或真实使用条件下的验证。代码、预处理配置与完整训练参数是否可获得尚未验证。