NeuroSketch：通过系统性架构优化实现神经解码的有效框架

基于摘要分析。本文研究 BCI 神经解码中的模型架构选择与优化问题，提出 NeuroSketch 框架：先比较基础架构，再从宏观到微观逐步优化，探索架构设计对解码性能的影响。 核心路径是以基础架构比较为起点。作者报告，CNN-2D 在所考察的神经解码任务中优于其他架构，并从时间与空间两个视角探索其有效性；在此基础上，后续宏观与微观架构优化在各步骤均带来性能提升。摘要未说明具体候选架构、优化模块、搜索或选择策略，也未给出损失函数、训练与推理配置，因此不能据此还原最终模型。 验证范围方面，作者报告，架构探索与模型验证共开展超过 5,000 次实验，覆盖视觉、听觉和言语三种模态，EEG、sEEG 和 ECoG 三类脑信号，以及八种解码任务。这里的实验次数包含探索和验证，不等同于独立数据集或被试数量。作者报告 NeuroSketch 在所有评估数据集上达到 SOTA，但摘要未列出数据集名称、任务定义、指标数值、对照基线或被试内、跨被试、跨会话等划分协议，尚不能判断优势幅度及其适用边界。 复现时值得重点核对：架构选择与最终测试的评估流程、不同任务中输入的时间与空间组织方式，以及逐步优化收益在不同信号类型和划分协议下是否一致。实验协议、消融及统计信息尚未验证。作者提供了代码与脚本仓库，但其内容、运行条件及结果可复现性尚未验证；上述跨模态覆盖也不能直接视为跨模态迁移或跨数据集泛化能力的证据。