面向运动想象 EEG 解码的阶段对齐时间表征学习

基于摘要分析。该研究针对运动想象（MI）EEG 解码中时间算子常被视为通用架构组件、未明确匹配各表征阶段学习目标的问题，提出 Stage-Aligned Temporal Representation Learning（SATRL）。其核心贡献是将时间算子的选择与三个阶段的学习目标显式对齐，而非仅组合时间与空间处理模块。 机制上，SATRL 使用三类互补算子：多尺度时间提取器从逐通道 EEG 动态中捕获感觉运动节律响应；堆叠的小卷积核深度卷积聚合器，将局部节律相关激活组合为稳定的短时间窗表征；上下文引导的扩张时间模块，在试次级上下文条件下整合长程证据。摘要未给出具体层数、卷积核配置、上下文构建方式或训练损失，这些实现细节尚未验证。 作者报告，在公开 MI-EEG 基准的跨会话（Cross-session）评估中，SATRL 相对对应的紧凑 CNN 与 CNN-Transformer 骨干基线，分类 Accuracy 分别最多提升 5.26 和 10.24 个百分点，并在所评估的全部数据集上达到作者所称的最先进分类 Accuracy。摘要未列出数据集名称、绝对 Accuracy、划分细节及基线配置，因此不能据此判断不同协议下的可比性。作者另报告，留一被试评估使 SATRL 位于表现领先梯队；阶段消融中，移除或改变任一时间阶段均使各类骨干性能下降。 复现重点是核对算子与阶段的对应是否具有独立贡献，以及消融时容量、计算量和训练设置是否可比；还需确认跨会话及留一被试评估的数据划分、预处理、重复实验与统计不确定性。全文、实现代码及上述实验协议、消融和统计信息尚未验证，现有材料支持将其视为可检验的 MI-EEG 时间建模框架，但不足以独立确认其最先进性能主张。