TopoAdapter：用于 MI-EEG 解码的即插即用多跳拓扑适配器

基于摘要分析。该研究针对运动想象 EEG（MI-EEG）低信噪比、非平稳性、被试间差异及小规模校准数据下通道关系学习不足的问题，提出输入模块 TopoAdapter：将固定电极布局先验注入已有 EEG 主干，不改变输入形状及下游组件。 机制上，TopoAdapter 根据电极布局构建物理电极图，计算累积多跳通道与邻域之间的对比，并加入可学习的低幅度残差。与重新设计主干的图神经解码器不同，其主要贡献是以轻量输入适配方式引入显式空间先验；具体图构建规则、多跳计算形式及残差约束尚需全文核对。 作者报告，在对齐的 ATCNet 训练协议下，每次训练 500 个 epoch、采用五个随机种子，BCI Competition IV-2a 与 Zhou2016 两个运动想象数据集的平均 Accuracy 分别提高 1.17 和 0.13 个百分点，High-Gamma 实际运动数据集提高 0.36 个百分点。三个数据集的平均变化均为正，BCI IV-2a 与 High-Gamma 的 bootstrap 区间不包含零，但针对三个数据集进行 Holm 校正后，没有配对检验保持显著。摘要未说明这些结果属于被试内还是跨被试协议，因此不能与其他划分结果直接比较，也不能将 High-Gamma 结果视为运动想象验证。 作者报告，在另一项 BCI IV-2a 兼容性研究中，七个选定主干的平均表现均有改善，其中三个在 Holm 校正后的 Wilcoxon 检验中仍有统计证据。在与开源 Adaptive Channel Mixing Layer（ACML）的匹配比较中，TopoAdapter 与 ACML 的 Accuracy 分别为 60.52% 和 60.42%，新增参数分别为 70 和 506；直接配对差异尚无定论，因此这一比较支持参数开销更低，而非已证实解码性能更优。 复现时需优先核对数据划分、预处理、电极布局及缺失通道处理、多跳与残差设置，以及各主干的训练对齐条件。作者指出收益随数据集和被试变化；实验协议细节、消融及完整统计信息尚未验证。