利用互补多视图特征解码手指运动想象 EEG 的多分支异构网络

基于摘要分析。该研究针对手指运动想象 EEG 较大肢体运动想象更难解码的问题，提出多分支异构网络 MBHN，联合提取原始视图、频率分解视图与小波视图的互补特征，并通过通道自适应核（CAK）模块处理卷积核在不同电极通道上的差异问题。 技术上，MBHN 由三组多样化分支构成，分别利用上述三类视图。作者还引入辅助监督机制与混合损失函数，以促进多视图深层特征互补性的利用。摘要未给出各分支的具体结构、频率分解与小波变换配置、CAK 的计算方式，以及辅助监督目标和混合损失的具体形式，因此尚不能判断各模块如何协同或独立贡献增益。 作者报告，在一个公开手指运动想象数据集上，MBHN 的解码 Accuracy 为 58.49%，并称其达到最先进水平。但摘要未明确数据集名称、被试数量、类别设置，以及被试内、跨被试或跨会话评估协议；数据划分与对照基线也尚未验证，因此该数值不能直接与其他协议下的结果比较。作者报告辅助监督与混合损失有助于利用多视图互补性，但具体消融幅度和统计信息尚未验证。 作者提供了公开代码，可作为复现入口。复现时需核对数据预处理、视图构建、训练与测试划分、基线配置，以及多分支结构和 CAK 的独立贡献；代码与论文实验的一致性仍需检查。当前材料支持其作为手指运动想象 EEG 解码方法进行研究，不足以判断跨被试泛化能力或在线 BCI 表现。