用于运动想象分类的动态多分支 EEG 解码网络及初步临床验证

基于摘要分析。该研究针对运动想象 EEG 解码中的低信噪比、非平稳性及被试间差异，提出动态多分支 EEG 解码网络 DMB-EDN，联合建模时间动态、可学习时频模式与节律特异性频谱信息，并在公开数据及自采集脊髓损伤（SCI）数据上评估。 方法将基于可学习 Gabor 的时频表征与生理引导的节律建模结合，通过以试次为条件的动态融合，为每个 EEG 试次分别估计各分支的贡献。其核心设计是按试次自适应协调互补表征，而非固定各分支权重；具体网络结构、节律划分、损失函数与训练流程尚未验证。 作者报告，在 BCI Competition IV 2a 的被试特定评估下，平均 Accuracy 为 96.41%，Kappa 为 0.952；摘要未说明具体训练测试划分及是否涉及跨会话测试。在 High Gamma Dataset 上，作者报告其表现与接近性能饱和条件下的最强基线相当，但未提供具体指标或基线名称。在自采集 SCI 数据的留一被试评估下，作者报告 Accuracy 为 85.00%、Kappa 为 0.700，作为离线跨被试解码改善的初步证据；该结果不能与上述被试特定协议直接比较。 作者报告，消融实验支持三个表征分支及试次条件融合的互补贡献，融合权重分析呈现与类别及振荡相关的系统性变化；具体消融幅度、统计信息及其生理解释尚未验证。复现需进一步核对数据预处理、被试与试次数、划分方式、基线配置及实现细节。SCI 数据结果仍属于初步离线验证，作者亦指出需要更大规模多中心队列和前瞻性在线 BCI 系统验证，不能据此推定临床获益。