将深度学习应用于单试次 EEG 数据，为行动控制的互补理论提供证据

基于摘要分析。本研究考察行动控制中的注意与反应选择过程能否在单试次 EEG 动态中被识别，并用于预测 Simon task 中是否存在冲突。作者采用不依赖认知理论先验的深度学习分析，提取与冲突预测相关的神经生理时空特征，为连接行动控制理论与人类神经生理过程提供证据。 方法与机制：研究的主要对象是行动控制的认知神经机制，而非 BCI 在线控制或运动想象解码。摘要称模型分析不受认知理论引导，但未说明 EEG 输入表示、网络结构、训练目标、预处理或特征解释方法，因此不能将其进一步解释为无监督学习，也不能断言模型能够识别因果机制。 结果与解释：作者报告，在约 95% 的被试中，模型对冲突是否存在的预测表现高于机会水平约 33%；摘要未明确这里的 33% 是相对提升还是百分点差，也未提供机会水平、具体指标及被试内或跨被试划分，不能据此换算绝对 Accuracy。作者报告，与枕叶及额上回相关的注意和运动反应选择神经生理特征对预测准确率贡献最大，并据此认为两类行动控制理论具有互补性。上述区域关联与预测贡献不等同于因果验证。 证据边界与复现条件：摘要未提供被试总数、试次数、通道配置、数据划分、对照模型、区域定位及特征贡献估计的具体方法；实验协议、消融及统计信息尚未验证。复现时需首先核对这些条件，特别是训练与测试划分、冲突标签定义以及特征解释方法，才能判断其单试次预测能力和认知解释的稳健性。材料不支持将该结果直接扩展为已验证的 BCI 性能提升。