用于上肢运动想象 EEG 信号解码的基于图卷积的双分支网络

该研究针对上肢运动想象 EEG 中复杂通道依赖与跨被试泛化问题，提出结合图卷积、跳跃连接、手工时频特征及并行空间与时间卷积路径的解码框架。基于摘要分析，作者报告该框架在三个数据集的跨被试评估中取得较高 Accuracy，并支持少电极配置。 机制上，图卷积用于捕捉电极间功能连接，空间与时间卷积路径用于学习时空表征；手工时频特征与跳跃连接共同参与建模。摘要未说明图邻接关系的构建方式、特征融合位置、损失函数及训练细节，无法据此判断各模块的独立贡献。 作者采用 Stratified Group K-Fold（SGKF）和 Leave-One-Subject-Out（LOSO）进行被试独立评估。对于 PhysioNet 的三类上肢任务，作者报告使用 64、21、5 个电极时，SGKF Accuracy 分别为 86.42%、91.01%、93.91%，LOSO Accuracy 分别为 92.25%、95.72%、96.01%。对于 BCI IV-2a，作者报告三种电极配置下 SGKF Accuracy 分别为 86.13%、89.01%、92.33%，但摘要未明确逐项对应的电极数量；五电极配置下 LOSO Accuracy 为 97.12%。对于 BCI IV-2b，三电极配置下 SGKF 与 LOSO Accuracy 分别为 88.60% 和 93.35%。这些结果对应不同数据集与划分协议，不宜直接混合比较。 作者称，相比代表性图方法，该框架以更少可训练参数和 EEG 电极获得有竞争力的性能，但摘要未提供基线名称、参数量或统计不确定性。复现时需核对各数据集的任务类别、被试纳入标准、SGKF 分组单位、通道选择规则，以及预处理与模型选择如何嵌入跨被试划分。少电极结果优于多电极配置值得进一步分析，但不能仅据摘要归因于去噪或模型结构；实验协议、消融及统计信息尚未验证。少电极准确率也不直接等同于在线 BCI 的实用性验证。