基于 EEG 数据的运动意图识别：区域注意力卷积神经网络学习

基于摘要分析。该研究面向 EEG 运动意图识别，提出区域注意力卷积神经网络 RACNN，旨在显式结合频谱、空间与时间信息，并自适应识别初级感觉运动区的激活区域。摘要未明确任务是否为运动想象，因此不将运动意图识别等同于 MI。 方法首先采用时频分析，提取与初级感觉运动区神经振荡相关的频谱—时间特征；随后通过骨干卷积神经网络生成特征，由 RACNN 将数量可变的频谱—时间特征聚合为紧凑的固定长度表示。受大脑半球功能不对称性启发，作者设计 region biased loss，鼓励关键区域获得较高注意力权重。其具体损失形式、区域划分、注意力计算方式及骨干网络结构尚未验证，不能仅凭摘要判断该偏置如何约束模型。 作者报告，在两个基准数据集及一个真实场景 BCI 数据集上的评估中，该方法显著优于此前方法。摘要未提供数据集名称、被试数量、被试内或跨被试等划分协议、评价指标、具体数值及统计检验信息，因此目前无法量化优势，也不能判断跨被试或跨会话泛化能力。 复现时需重点核对时频变换与预处理设置、区域偏置的构造依据，以及区域注意力和 region biased loss 各自的消融贡献。实验协议、消融及统计信息尚未验证；代码与完整复现条件亦无法由所给材料确认。