精确时间读出揭示并检验想象言语 EEG 中的双边界决策模式

基于摘要分析。该研究考察时间聚合如何影响想象言语 EEG 分类，提出基于 bidirectional exponential-memory mixture（BEM，双向指数记忆混合）的精确时间读出框架，将时间偏好转化为可解析、可干预并可接受外部检验的假设。 机制上，每个试次的 logit 被表示为作用于逐帧类别证据的归一化时间核，该核锚定试次两端且可解析恢复。作者报告，在 BCI Competition 2020 Track 3 上，BEM 将开发集 Accuracy 从 77.07 ± 1.01% 提升至 85.73 ± 1.57%；在排除训练数据的历史审计中，按参与者配对计算提升 7.11 个百分点。摘要未说明 ± 的统计含义及完整划分协议。 作者报告，精确时间核有 89.67% 的质量集中在试次首尾各五分之一的区间。将这一模式蒸馏为端点五分之一区间池化后，未检测到其与 BEM 的差异，但这不等于已证明两者等效。在同一组由均值聚合训练得到并冻结的证据张量上，仅替换聚合规则，开发集和历史审计分别提升 4.13、2.98 个百分点，为区分聚合贡献与编码器重训练贡献提供了依据。边界掩蔽与滤波对照进一步支持模型依赖较宽的双边缘结构，具体设置尚未验证。 在独立的 NEMAR on007591 校准到在线压力测试中，模型在查看 EEG 或解码器结果前已于本地冻结，但事件标签与官方质量控制元数据已知。作者报告，预先声明的原始 Accuracy 判定门槛通过：三名参与者均受益于 BEM，平均提升 4.67 个百分点；然而三人的 Balanced Accuracy 均下降，且在结果揭晓后进行并明确披露的同证据端点迁移下降 2.67 个百分点。这组混合结果不支持把双边界模式视为普遍规律，也说明 Accuracy 收益不能替代类别均衡表现。 阅读或复现时需核对时间核推导、数据划分、历史审计排除规则、类别分布、无差异检验及冻结流程；完整实验协议、消融及统计信息尚未验证。