AGTCNet：面向运动想象 EEG 分类的原则化图时序方法

基于摘要分析。该研究针对运动想象 EEG（MI-EEG）分类中跨被试与跨会话变异带来的建模困难，提出 attentive graph-temporal convolutional network（AGTCNet），以 EEG 电极拓扑配置为归纳偏置，结合图卷积注意力网络（GCAT）学习时空表征。其主要贡献是将电极空间结构与动态图时序建模结合，并提供被试独立及被试特定分类的训练—评估框架。 机制方面，摘要说明 GCAT 用于联合、动态地学习 EEG 时空依赖，但未提供图的构建方式、注意力计算、时序模块细节、损失函数或训练配置。这些细节及电极拓扑先验的独立贡献尚未验证。研究以被试和会话不变性为问题背景，但摘要列出的结果主要涉及被试独立分类与被试特定微调，不能据此确认跨会话泛化能力。 结果方面，作者报告：在 BCI Competition IV Dataset 2a 上，被试独立（跨被试）分类的 moving average Accuracy 为 66.82%，经被试特定微调后为 82.88%；在 EEG Motor Movement/Imagery Dataset 上，4 类与 2 类被试独立分类的 moving average Accuracy 分别为 64.14% 和 85.22%，被试特定分类分别为 72.13% 和 90.54%。这些数值属于不同任务与适应条件，不能直接横向比较；被试特定结果也不能自动视为统一的被试内评估。moving average 的计算方式、数据划分与微调所用数据尚未验证。 作者还报告模型大小减少 49.87%、推理时间缩短 64.65%，并使用更短的输入 EEG 信号；摘要未明确这些效率数字对应的比较模型、运行硬件、输入时长和测量条件。作者声称达到 SOTA，但具体基线、实验协议、消融及统计信息尚未验证。复现时应重点核对训练与测试被试的划分、微调与评估数据的关系，以及各模型输入窗口和效率测量条件；材料未提供可确认的代码或完整复现配置。