Functional Neural Networks：用于函数型数据的平移不变模型及其在 EEG 分类中的应用

该研究关注如何让统计模型不依赖目标信号出现的位置进行识别，同时利用平滑生成过程所赋予的数据结构，提出具有平移不变性并保持数据平滑性的 Functional Neural Networks（FNNs），并将其用于 EEG 分类。基于摘要分析，未取得论文全文。 核心方法是借助函数数据分析（FDA），将多层感知机和卷积神经网络扩展至函数型数据，并提出不同的模型架构。其研究对象首先是具有平滑结构的函数型数据，EEG 分类是所展示的应用之一。摘要未说明函数表示方式、平滑性的实现方式、平移不变性的具体构造，以及训练目标与推理流程，因此这些机制细节尚未验证。 作者报告，所提模型在 Accuracy 上优于一个 FDA 基准模型，并成功用于 EEG 数据分类。摘要未提供具体数值、基准名称、EEG 数据集、被试规模、分类任务或被试内、跨被试等划分协议，因而不能据此推断其优于常用 EEG 分类方法，也不能判断跨被试或跨会话泛化能力。 阅读与复现时需核对：平移不变性适用的变换范围、平滑表示是否保留任务相关的短时变化，以及各模型架构与对照的评估条件。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。