迈向偏差与方差的平衡：用于运动想象 BCI、结合 SR-BandMix 增强的双尺度 Sinc 滤波器组 Transformer 模型 SincDualFormer

基于摘要分析。研究针对运动想象 EEG 解码中低信噪比、跨被试差异和训练数据有限的问题，提出 SincDualFormer，并结合联合时频增强策略 SR-BandMix，尝试通过节律先验与数据驱动建模的互补改善解码性能。 模型采用与 mu、beta 节律对齐的并行分支，结合具有生理约束的 Sinc 滤波与无约束时域卷积。两类互补表示分别经 BandSE 重校准、深度空间卷积投影后，通过逐点操作融合；随后由多尺度 Inception-TCN 建模局部时序模式，轻量 Transformer 编码器建模长程依赖。SR-BandMix 将同类别 Segmentation-Reconstruction 与运动想象相关 8–30 Hz 范围内多个子频带的细粒度频谱混合结合起来。 作者报告，在各自评估协议下，模型在两个公开基准 BCI Competition IV-2a、BCI Competition IV-2b 及私有 HCMIU MI Hand-Binary 数据集上的平均 Accuracy 分别为 82.14%、87.93% 和 58.50%，均为对应数据集所比较方法中的最高平均 Accuracy。摘要未说明这些结果属于被试内、跨被试还是跨会话评估，不能据此认定跨被试泛化有效，也不能将不同数据集的数值直接横向比较。 作者报告，在代表性骨干架构上，SR-BandMix 相较 Segmentation-Reconstruction、BandMix 和不使用增强，通常改善性能或保持竞争力；SincDualFormer 在两个公开基准上均以 SR-BandMix 获得自身最佳表现。作者还报告消融、偏差—方差及可视化分析支持各模块的互补贡献，但具体贡献幅度与偏差—方差估计方法尚未验证。 复现时需核对被试及会话划分、预处理、增强样本构造与使用范围、基线配置和统计不确定性；实验协议、消融及统计信息尚未验证。代码、训练配置以及私有数据集的可获取条件亦尚未验证。