用于跨被试 MI-BCI 解码的频率–时序因果推断引导对抗网络

基于摘要分析。研究针对个体差异引起的多源异质性及跨被试运动想象 EEG 解码困难，提出结合频率先验、时序因果推断模块与对抗学习的纯 CNN 框架，旨在改善跨被试特征对齐与解码性能。 机制上，作者利用与运动想象相关的频率先验进行数据增强并设计特征提取器，再通过对抗学习实现跨被试特征对齐。与传统对抗框架的区别在于，分类器内加入时序因果推断模块，对高层特征进行再处理、动态建模 EEG 的时序特征，并同步训练判别器和分类器。摘要未说明频率先验的具体表达、增强操作、因果假设、损失函数及训练调度，因此不能据此认定该模块识别了真实生理因果关系。 作者报告，在跨被试解码任务中，框架在 BCI Competition IV 2a 和 2b 上的 Accuracy 分别为 82.64% 和 85.51%，并称优于 GAT、BLSAN 等 Transformer 架构。摘要未给出具体被试划分、目标被试数据与标签使用方式、结果汇总方式或基线分数，故这些数值只能保留在作者所述跨被试评估背景下，尚不能确认比较是否采用一致协议。 复现时需核对预处理与频率增强参数、时序模块实现、源域及目标域数据使用规则，以及频率先验、对抗对齐和时序模块各自的贡献。实验协议、消融及统计信息尚未验证；代码可用性、计算开销与在线使用条件也尚未验证，纯 CNN 架构本身不足以证明实际部署效率。