基于模糊融合的 CNN 运动想象 EEG 分类研究

基于摘要分析。该研究探讨融合多个异构 CNN 是否能够改善面向 BCI 的运动想象 EEG 分类，提出以 fuzzy integral（模糊积分）整合分类器输出，并使用 particle swarm optimization（PSO，粒子群优化）估计分配给各分类器的最优置信水平。 核心机制是输出层面的集成融合：不同 CNN 分别进行分类，模糊积分负责整合其输出，PSO 则用于优化融合所需的分类器置信水平。其研究重点不是单一 CNN 架构的改进，而是异构分类器组合的有效性。摘要未说明模糊积分的具体形式、置信水平的参数化方式、优化目标或 PSO 使用的数据划分，这些细节尚未验证。 作者报告，该框架在适应不同 BCI 使用场景的多种 CNN 训练方案下，取得了稳健的单试次运动想象 EEG 分类表现，并将其定位为模糊融合增强 CNN 解码可行性的概念验证。摘要未提供数据集、被试数量、被试内或跨被试等评估协议、对照基线及具体指标，因此无法量化增益，也不能据此确认跨被试、跨会话泛化能力或实际部署收益。 复现时需核对异构 CNN 的组成、输出处理方式、融合参数的估计流程，以及训练、验证和测试数据的划分；还需查看与单模型及其他集成方法的对照。实验协议、消融及统计信息尚未验证。作者提出其可能有益于实际 BCI 应用，但摘要中的概念验证不能替代实际使用条件下的验证。