使用卷积神经网络进行运动想象分类的空间–频谱特征表示

基于摘要分析。该研究针对 EEG 运动想象分类中特征维度高、信号模式具有被试特异性及跨会话和试次变异等问题，提出保留多变量信息的空间–频谱特征表示，并结合 3-D-CNN 进行单试次分类。 核心方法是组合被试优化的频谱滤波器与被试无关的频谱滤波器，将滤波后的数据堆叠为张量，构建三维特征图。其方法重点在于组织 EEG 的空间与频谱信息，并保留特征空间的多变量结构及依赖关系。摘要未说明滤波器的具体设计、被试优化所用数据、张量各维定义或网络结构细节，这些内容尚待全文核对。研究还在 3-D-CNN 框架中使用逐层分解模型，提取电极通道和频段的相关性分数，以辅助解释分类依据。 作者报告，在 BCI competition 数据集 IV_2a、IV_2b 和 OpenBMI 上，平均 Accuracy 分别为 87.15%（±7.31）、75.85%（±12.80）和 70.37%（±17.09）。摘要未明确被试内或跨被试协议、训练测试划分及“±”所代表的统计量，因此这些结果不能直接用于跨协议比较。作者称结果优于当时的先进方法，但具体基线及比较条件尚未验证。 作者报告，分解模型识别出的相关电极通道与频段具有神经生理合理性；这提供了解释性线索，但不能仅凭摘要将其视为独立的生理机制验证。复现时需优先核对被试特定滤波器的优化流程、预处理与数据划分、三维特征构造，以及逐层分解的实现。实验协议、消融及统计信息尚未验证；摘要对跨会话和跨被试变异的讨论，也不等于已验证相应泛化能力。