用于同一肢体 EEG 运动想象解码的时间分布式注意力网络

基于摘要分析。研究针对同一上肢不同关节的运动想象（MI）难以区分的问题，提出时间分布式注意力网络 TD-Atten，用于解码四个关节的 MI 任务及静息状态。其核心贡献是在多频带 Common Spatial Pattern（CSP，公共空间模式）特征上引入自适应重加权，再利用序列建模完成分类。 方法上，TD-Atten 为输入 CSP 特征中不同类别与频带相关的成分分配不同权重，随后使用 long short-term memory（LSTM，长短期记忆网络）及全连接层学习重加权特征的序列信息并输出分类结果。摘要未提供注意力权重的具体计算方式、时间组织方式、损失函数或训练细节，尚不能据此还原完整实现。 作者报告，研究采集了 20 名参与者的 EEG，在五分类场景下获得 Accuracy 46.8%，在四分类场景下获得 Accuracy 53.4%，并优于所比较的基线及深度学习方法。研究目标包含四个关节 MI 与静息状态，但摘要未明确四分类场景的类别构成，也未说明结果采用被试内还是跨被试评估、数据划分及各对照方法的具体设置，因此这两个数值不能脱离协议比较。 作者报告，注意力权重可视化显示模型在 MI 任务中关注 alpha 频带相关特征，与脑激活模式分析一致。这为特征选择的生理合理性提供了线索，但不等同于已验证的因果解释或在线控制效果。作者提出该细粒度 MI 范式具有控制机械臂或神经假体的潜力；摘要并未提供实际设备控制验证。 复现时需核对关节任务定义、EEG 采集与预处理、多频带 CSP 的拟合范围、序列构造、评估划分及对照配置。实验协议、消融及统计信息尚未验证，代码与数据可用性也尚未确认。