探索 EEG 与眼动融合用于多类别目标 RSVP-BCI

基于摘要分析。该研究针对多类别目标 RSVP-BCI 中不同目标类别诱发的 ERP 高度相似、单模态 EEG 难以充分区分类别的问题，引入眼动（EM）信号，并提出 Multi-class Target RSVP EEG and EM fusion Network（MTREE-Net），同时识别目标是否出现及其所属类别。 方法包含三个关键机制：双互补模块用于增强单模态特征的类别区分能力；由理论推导的模态贡献比例引导动态重加权融合；通过两个层级分类器之间的知识迁移，减少非目标样本的误分类。摘要未提供双互补模块的具体实现、模态贡献比例的推导与估计方式，以及层级分类器的训练和知识迁移细节，相关损失与推理流程尚未验证。 数据方面，作者设计了三个独立的多类别目标 RSVP 任务，并报告构建了包含 43 名被试 EEG 与 EM 信号的开源数据集。摘要未说明目标类别、刺激呈现参数、信号采集与同步方式、预处理流程及训练测试划分，因此尚不能判断结果属于被试内、跨被试还是其他评估协议，也不能据此评价跨任务泛化能力。 作者报告，实验支持将 EM 信号用于多类别 RSVP 解码的可行性，且 MTREE-Net 相比现有 RSVP 解码方法表现更好；但摘要未列出具体指标、数值及对照方法。实验协议、消融及统计信息尚未验证。复现时需核对 EEG 与 EM 的时序对齐、模态贡献权重的计算依据、非目标误分类与目标类别区分的分别评估，以及数据和实现的实际开放范围。该研究直接面向 RSVP-BCI，但实际应用表现仍需结合全文中的采集条件与评估协议判断。