运动想象 EEG 信号解码中的深度学习：系统综述

基于摘要分析。本文针对运动想象（MI）EEG 解码中的深度学习方法开展系统综述，重点梳理使用公开 MI-EEG 数据集的研究，并从数据资源、解码范式、模型比较与可复现性角度组织已有证据，而非提出新的解码算法。 综述首先介绍可用于深度学习模型训练与测试的公开数据集，再针对各数据集讨论四类解码范式：被试依赖（subject-dependent）、被试独立（subject-independent）、迁移学习（transfer learning）和全局解码（global decoding）。摘要未给出这些范式的具体操作定义，不能直接将其等同于统一的被试内或跨被试划分；尤其是全局解码的训练对象、测试范围及数据组织方式，需查阅全文确认。 作者报告，研究筛选遵循 Preferred Reporting Items for Systematic Reviews and Meta-Analyses（PRISMA）指南，最终分析了发表于 2017 年 1 月 1 日至 2023 年 1 月 23 日之间的 394 篇论文。该数量描述的是综述纳入的文献范围，不代表统一协议下的模型评测规模。作者还讨论了所纳入研究中的趋势与策略、常见架构、用于比较分析的基线模型，以及保障结果可复现的技术措施；摘要未列出具体架构、数据集名称或定量性能结论。 阅读时应重点核对不同解码范式的数据划分、训练与测试被试关系，以及基线比较和复现条件是否可对应，避免将不同协议下的指标直接排序。检索数据库、纳入排除细则、质量评价、具体实验协议及统计信息尚未验证。本文可作为 MI-EEG 深度学习文献的组织入口，但仅凭摘要不能判断某类架构在跨被试或实际 BCI 应用中更优。