BiGSTF-Net：用于 EEG-fNIRS 认知分类的模态间相互引导与模态内时空融合

基于摘要分析。该研究针对 EEG 与 fNIRS 在电生理和血流动力学特征上的异质性，提出 Bi-modal Guidance and Spatio-Temporal Fusion Network（BiGSTF-Net），旨在利用两种信号的互补信息改善 BCI 认知状态解码。其核心贡献是结合模态间双向引导与模态内时空特征整合，同时保留各模态的特有信息。 方法上，框架先通过异构时空特征提取器，从各模态获取偏重时间与偏重空间的表征；随后利用 Modal Residual Interaction Unit 实现双向模态交互，并保留模态特性；再由 Spatio-Temporal Gated Unit 完成模态内特征整合，形成紧凑且具有判别性的表征。摘要未披露提取器结构、交互与门控的具体计算方式，也未给出损失函数及训练细节。 作者报告，在多个 BCI 数据集的跨会话评估中，BiGSTF-Net 持续优于代表性的多模态融合基线；作者同时报告，消融研究支持所提架构组件的有效性，可视化激活模式与 EEG、fNIRS 的已知神经生理特征相符。摘要未提供数据集名称、被试数、具体认知任务、指标、分数及基线名称，因此无法量化增益或比较不同评估协议下的表现；可视化一致性也不能单独确立机制解释。 复现时需核对两种模态的时间对齐与预处理、跨会话划分、组件消融设置及统计检验。实验协议、消融及统计信息尚未验证，代码与数据可获得性亦尚未验证。跨会话结果不等同于已验证跨被试或跨数据集泛化能力。