NeuroGrasp：使用双阶段深度学习框架对高层次运动想象任务进行实时 EEG 分类

基于摘要分析。该研究针对自然手部抓握运动想象（MI）难以从 EEG 中区分的问题，提出双阶段深度学习框架 NeuroGrasp，通过训练阶段的 EEG 与肌电（EMG）学习及 EMG 指导，使测试阶段仅使用 EEG 即可分类多种抓握意图。研究对象是高层次手部抓握 MI，而非通常区分左右手或较大身体部位的运动意图。 核心机制是利用 EMG 为模型训练提供指导，同时不要求推理阶段采集 EMG。这一路径具有利用辅助生理信号改善 EEG 解码的研究价值，但摘要未说明两个阶段的具体分工、EEG 与 EMG 的采集及配对方式、指导信号如何进入训练目标，也未提供模型结构、损失函数和训练细节，均尚未验证。 作者报告，在 12 名被试的离线评估中，四种抓握类型分类的平均 Accuracy 为 0.68（±0.09），两类抓握类别分类为 0.86（±0.04）。在线评估针对其中六名高表现被试，作者报告四种抓握类型及两类抓握类别的平均 Accuracy 分别为 0.65（±0.09）和 0.79（±0.09）。摘要未说明 ± 数值的统计含义、两类类别的划分规则，以及评估属于被试内、跨被试还是跨会话协议；因此不能将这些数字解释为跨被试泛化结果，也不能直接据此衡量全体被试的离线到在线性能变化。 作者称该方法改善了离线分类并在在线评估中表现稳定，但具体对照基线、提升幅度、统计检验及稳定性的判定依据尚未验证。在线被试的筛选条件、实时推理延迟、预处理、数据划分、EMG 指导的消融结果及复现资源亦需核对全文。机器人手与神经假体是作者提出的未来应用方向，摘要尚不能支持其已完成日常物体操作或临床有效性验证。