融合 ECG 的自适应图卷积神经网络用于个体化运动想象 EEG 分类

基于摘要分析。研究针对运动想象（MI）EEG 分类中被试差异导致的跨被试泛化困难，提出 Hybrid Adaptive Domain Graph Convolutional Network（HAD-GCN），通过空间层面的 EEG–合成 ECG 图融合与时间层面的个体化处理分支选择，改善跨被试解码。 在空间层面，自适应生成器从 EEG 合成 ECG，再将其与 EEG 拼接到相连的图结构中。因此，摘要描述的 ECG 信息来自 EEG 生成，而非明确采集的独立心电测量；合成信号的监督来源、生理真实性及其相对常规特征变换的贡献尚未验证。在时间层面，自适应分割器为各被试信号选择适合的时频域处理方法，并路由到对应分支提取特征。具体候选处理方法、图构建规则、损失函数及训练流程未在摘要中展开，也不能仅由方法名称将其认定为测试时自适应。 作者报告，在 Mixed dataset 和 BCI Competition IV-2a dataset 的跨被试实验中，Accuracy 分别为 83.10% ± 6.54% 和 74.81% ± 8.97%，对应 Kappa 分别为 0.778 ± 0.06 和 0.655 ± 0.09。摘要未说明“±”的统计含义、Mixed dataset 的组成、具体被试划分及比较基线，两个数据集的结果不宜直接横向比较。作者据此认为该方法提升了跨被试分类表现与预测可靠性；其显著性与可靠性的具体证据仍需正文核对。 复现重点是生成器训练所需数据与监督、目标被试适配是否使用标签及其数据范围，以及合成 ECG、图融合和分支选择各自的消融贡献。作者提供了代码仓库，但代码内容及运行条件尚未验证；实验协议、消融及统计信息尚未验证。