用于少样本 EEG 运动想象分类的双注意力关系网络与微调方法

基于摘要分析。本文研究跨被试变异、未见被试标注数据稀缺及低信噪比条件下的 EEG 运动想象（MI）分类，提出结合双注意力关系网络与测试前微调的 two-way 少样本方法，以有限支持数据适应未见被试。 方法包含四个模块：嵌入模块提取信号特征；时间注意力模块突出重要时间特征；聚合注意力模块识别关键支持信号，强调与查询信号相关的支持集信息；关系模块根据支持集与查询信号之间的关系分数完成分类。其主要思路是联合学习特征相似性与少样本分类器，而非仅使用固定特征距离。测试前，方法从给定支持集中任意抽取信号作为查询进行微调，以适应未见被试的数据分布；具体采样方式、标签使用及优化设置尚未验证。 作者在 BCI Competition IV 2a、2b 和 GIST 数据集上评估了 Cross-subject（跨被试）与 Cross-dataset（跨数据集）分类，并考察三种不同嵌入模块。作者报告，在这些评估任务中，该方法相较基线有显著提升，并优于已有少样本方法；但摘要未提供具体指标、数值、基线名称、各数据集对应的划分或统计检验细节，不能据此量化提升或比较不同协议下的表现。 复现时应重点核对支持集与查询集的构造、每类标注样本数、源被试与目标被试的划分，以及测试前微调所用数据和计算预算；同时核验两类注意力与微调各自的消融贡献。实验协议、消融及统计信息尚未验证，代码可用性亦无法由当前材料确认。