用于基于 EEG 的运动想象分类的特征重加权

基于摘要分析。本文研究非侵入式 EEG 运动想象（MI）分类中，无关特征干扰 CNN 训练的问题，提出特征重加权模块，通过生成权重分数抑制无关的时间与通道特征图，降低这些信息对分类的影响。 作者将方法动机归结为 EEG 的低信噪比、非平稳性、非线性与高复杂度：CNN 从含噪 MI-EEG 中提取的特征可能保留无关信息，进而干扰训练。所提模块在特征图层面进行重加权，而非摘要已明确的原始信号去噪；其作用是调整不同特征的贡献。权重如何生成、时间与通道维度如何处理、模块插入位置、基础 CNN 结构及训练目标均尚未验证。 作者报告，在 Physionet EEG-MMIDB 和 BCI Competition IV 2a 上，相较其所称的最先进方法，分类表现分别提升 9.34% 和 3.82%。摘要未明确指标名称、比较基线、数据划分或被试内／跨被试等评估协议，也未说明这些数值是相对提升还是百分点差，因此不能直接解读为 Accuracy 的百分点增益，或与其他协议下的结果比较。摘要使用了显著改善的表述，但统计检验依据尚未验证。 复现时需核对输入预处理、MI 任务与类别设置、被试及会话划分、基线训练条件，以及重加权模块的参数开销和消融结果。核心待验证问题是：性能收益是否确实来自对无关时间与通道特征的抑制，以及这种收益能否在一致的数据划分和训练条件下保持。实验协议、消融及统计信息尚未验证。