基于图卷积网络的 EEG 协调化：面向 BCI 运动想象的跨数据集迁移

基于摘要分析。本研究针对运动想象 BCI 中不同 EEG 数据集电极配置不一致、难以联合利用的问题，提出将异构 EEG 映射到共同物理电极布局的空间协调化框架，旨在保留任务相关信息，而非仅使用数据集间共有的少量电极。 方法将每个 EEG 试次表示为图，以电极为节点、电极采样序列为节点嵌入，通过两层图卷积网络（GCN）建模电极与 EEG 样本间的时空关系。研究从时域、频域和空间域检查协调化后的信号，并使用 EEGNet、FBCNet 和 ADFCNN 评估下游运动想象分类。摘要说明，实验覆盖三个公开运动想象 EEG 数据集，采用数据集内分类、仅源域训练的跨数据集迁移及目标域微调三类协议；数据集内分类不能据此等同于被试内评估。 作者报告，相比球面样条插值，GCN 的协调化误差更低，并保留了运动想象 EEG 的主要时间、频谱和空间特征。在 Dataset A 的数据集内分类协议下，结合真实与协调化 EEG 后，EEGNet 的 Accuracy 从 56.57% 提升至 66.20%，FBCNet 从 61.96% 提升至 72.54%；具体划分及对照数据构成尚未验证。跨数据集实验中，作者报告协调化表示可支持仅源域迁移与目标域微调，组合条件通常表现最好，但摘要未提供该条件的完整定义或具体分数，不能量化其跨数据集收益。 这一工作的具体价值在于直接处理信号层面的电极布局兼容性，为异构数据联合利用提供路径。复现时需核对目标布局、图连接方式、协调化训练目标、源域与目标域的数据使用边界，以及分类器训练设置。数据集名称、被试数、划分、消融及统计信息尚未验证；电极布局统一能否同时缓解跨被试或跨设备分布差异，仍不能由摘要确定。