FBCNN：面向便携、快速 BCI 的深度神经网络架构

基于摘要分析。该研究针对单通道、短数据窗及用户独立 BCI 中的 SSVEP 分类，提出将滤波器组与深度神经网络结合，以利用 EEG 的子频带及谐波信息；同时比较时域、复数频谱和复数时频谱三类输入表征。 核心方法是先通过滤波器组生成 EEG 子频带分量，再分别交给三种模型处理：FBRNN 使用循环神经网络分析时域信号，FBCNN-2D 使用二维卷积神经网络处理复数频谱特征，FBCNN-3D 使用三维卷积神经网络分析复数时频谱。作者将复数时频谱作为本研究探索的 SSVEP 分类输入，但摘要未提供具体网络结构、滤波器参数、时频变换设置、损失函数或训练细节。 作者报告，在三个开放数据集的测试中，加入滤波器组的网络在 Accuracy 上优于不使用该预处理的类似网络，并优于 SVM 和 FBCCA；作者还报告 FBCNN-3D 优于其他 CNN，并将这一结果解释为复数时频谱比复数频谱特征和幅度谱携带更多信息。摘要未给出数据集名称、被试数、数据窗长度、具体 Accuracy 或提升幅度，因此无法量化收益或判断不同实验条件下的稳定性。 研究设计目标是不需要最终用户校准，并以此模拟用户独立 BCI，但训练与测试是否严格按被试隔离、各数据集的通道选择及预处理方式、基线调参与统计检验均尚未验证。复现时应重点核对这些协议，以及滤波器组和输入表征的消融设置。便携、低成本、快速和低延迟 BCI 属于作者提出的应用潜力；摘要未提供在线运行、端到端延迟或设备部署证据，不能据此认定这些应用效果已获验证。