用于 EEG 运动想象解码的拓扑感知多尺度特征融合网络

基于摘要分析。研究针对运动想象（MI）EEG 解码中的频谱耦合问题，提出拓扑感知多尺度特征融合网络 TA-MFF，将时空、频谱与拓扑 EEG 特征结合，旨在借助稳定的拓扑模式提升解码鲁棒性。 机制方面，材料说明采用 persistent homology（持久同调）提取稳定的频谱—拓扑模式，并通过递归注意力细化频率建模。其阅读价值在于将拓扑表征与时空、频谱特征联合用于 MI 解码，而非仅依赖单一特征类型。不过，拓扑对象如何构建、多尺度如何定义、各类特征如何融合，以及训练损失与推理流程，均尚未验证。 结果方面，作者报告 TA-MFF 在 BCIC-IV-2a、BCIC-IV-2b 和 BCIC-III-Iva MI-EEG 数据集上取得最先进 Accuracy。摘要未提供具体数值，也未说明被试内或跨被试等评估协议、数据划分及对照基线，因此目前只能保留这一作者结论，不能据此判断提升幅度或跨被试泛化能力。 复现时需核对 EEG 预处理、频谱与拓扑特征提取参数、递归注意力实现，以及各模块的独立贡献；还需核验作者所述稳定模式是否在噪声或会话变化条件下得到验证。实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未确认。