通过 HyperNet-Based Module 自适应整合通用与个体化特征以增强运动想象 EEG 信号解码

基于摘要分析。该研究针对运动想象（MI）EEG 解码中不同被试分类表现差异较大的问题，提出利用预训练模型权重生成个体化权重的方法，以结合通用 MI 特征与个体化特征，改善分类准确率较低被试的解码表现。 核心机制是以预训练模型权重为基础生成个体化权重；标题将相关模块称为 HyperNet-Based Module。摘要未说明权重生成器的具体输入、生成哪些层的权重、通用与个体化特征如何融合，以及训练目标和参数更新范围，这些细节尚未验证，不能据此确定其具体网络结构或训练流程。 作者采用 5 折交叉验证，在 Top-3、Top-5、Top-7 三种预训练模型设置下，与 baseline 和全量微调进行比较。作者报告，相对 baseline，平均 Accuracy 的增量依次为 0.123、0.138、0.143；相对全量微调，平均 Accuracy 的增量依次为 0.012、0.019、0.009。摘要未明确这些数值的量纲，因此保留原始数值，不转换为百分比或百分点。Top-3、Top-5、Top-7 的构建含义、baseline 的实现和各设置的绝对 Accuracy 尚未验证。 作者据此认为，结合 EEG 个体差异具有改善低分类准确率被试解码效果的潜力。评估仍需核对数据集、被试数量、低准确率被试的定义，以及 5 折划分属于被试内还是跨被试协议；还需确认预训练与个体化阶段的数据关系、个体校准样本预算，以及与全量微调是否采用相同数据和评估条件。实验协议、消融及统计信息尚未验证，当前材料不足以判断收益的统计稳定性或跨会话泛化能力。复现所需的代码、预训练权重与具体训练配置也尚未验证。