通过专家协作解析脑信号：面向异质 EEG 学习的机制引导路由

基于摘要分析。该研究针对运动想象、错误相关电位与 SSVEP 等异质 EEG 范式对时间、频谱和空间表征的不同需求，提出机制引导的专家路由框架 MGNet，通过专门化专家的自适应协作整合互补表征，而非依赖单一表征覆盖所有范式。 机制上，MGNet 将门控因果时间模型与三个专家模块结合：时间模块、频谱动态图模块和黎曼协方差模块；再由轻量路由器及基于 Manhattan distance 的融合机制，自适应整合专家表征。其设计重点是让不同表征对应不同信号特征，并保留专家间的互补性。摘要未说明路由权重的计算方式、动态图构建方法、协方差处理细节、损失函数及训练与推理流程，这些内容尚未验证。 作者报告，在 BCI Competition IV-2a、BCI Challenge 和 MAMEM 三个公开基准的实验中，MGNet 持续优于所评估的先进基线；作者还报告，消融实验显示各专家的贡献随范式变化，且与其设计所依据的信号特征一致。摘要未提供具体指标、性能数值、基线名称、被试数量或数据划分，也未交代被试内、跨被试或跨会话协议，因此目前不能量化优势，亦不能将多范式评估等同于跨范式迁移或统一模型联合训练。 阅读全文时宜核对各基准的任务定义与评估协议、专家贡献的消融设置，以及性能收益是否与参数规模和计算开销相匹配。实验协议、消融及统计信息尚未验证；代码、预处理配置和复现资源的可用性也尚未确认。