通过时序结构嵌入式强化学习优化运动想象分类时间窗

基于摘要分析。该研究针对在线运动想象 BCI（MI-BCI）中固定长度滑动窗可能与神经事件错位、独立窗口筛选可能导致时序碎片化的问题，提出 Temporal Structure Embedded Reinforcement Learning（TSE-RL），将运动想象事件结构先验纳入受约束的马尔可夫决策过程，实现自适应时间窗优化。 核心机制包括三部分：以 Discard、Onset、Sustain、Offset 四类动作赋予窗口明确的语义角色，将二元保留/丢弃扩展为事件阶段对齐；通过有限状态机屏蔽无效动作，约束运动想象阶段的时间顺序；利用基于 Transformer 的历史编码器建模窗口间依赖。作者称，历史编码器相较循环架构可提高训练稳定性与计算效率。摘要未提供奖励函数、状态定义、窗口长度及步长、训练监督与具体分类器配置，这些实现细节尚未验证。 相较独立评价窗口的策略，主要方法贡献是把事件阶段先验直接嵌入动作空间与合法性约束，而非仅依赖分类器学习时序关系。作者将 TSE-RL 描述为可插拔框架，可与不同 MI 分类器集成；其实际接口与额外训练、推理开销仍需核对。 作者报告，在多个基准数据集的 Cross-session 与 Cross-subject 设置下，解码性能均有改善；但摘要未给出数据集名称、被试数、划分方式、对照基线、指标或数值，不能据此判断增益大小或不同协议间的优劣。作者报告的可视化分析提示窗口选择策略与神经生理原则相符，但这不等同于独立的生理验证。 复现时需核对阶段顺序先验如何适配不同运动想象范式、历史编码及窗口决策在在线推理中使用哪些信息，以及阶段动作、有限状态机和历史编码器各自的贡献。实时延迟、低信噪比条件下的稳健性、实验协议、消融及统计信息尚未验证。