使用 Earth Mover's Distance 量化 BCI 的空间域解释

基于摘要分析。该研究针对 EEG 运动想象（MI）BCI 中模型表现难以解释的问题，提出基于最优传输理论的 Earth Mover's Distance（EMD）评估方法，量化空间特征相关性图与神经科学领域知识的对应程度，以补充仅依赖 Accuracy 的模型评价。 方法上，作者采用可解释人工智能（XAI）技术生成空间域特征相关性，识别影响模型输出的重要通道，并比较黎曼几何分类器、EEGNet 与 EEG Conformer 三类模型。其核心贡献是将解释结果与领域知识之间的比较转化为可量化指标；摘要未说明具体 XAI 方法、领域知识如何表示，以及 EMD 所需的分布构造和空间运输代价。 作者报告，在所用数据集的评估中，不同架构的 Accuracy 变化趋势与所提出的特征相关性指标相关；作者还报告，采用与 MI 相关的通道训练时，多种架构的表现显著优于数据驱动通道选择。摘要未提供数据集名称、被试数、被试内或跨被试等评估协议、通道选择流程、具体数值与显著性检验细节，因此这些结果尚不能用于跨协议性能比较，也不能将相关关系解释为因果关系。 阅读与复现时应重点核对：领域知识参照的定义、特征相关性图的归一化方式、EMD 对通道空间布局的处理，以及不同通道选择方案的训练与评估条件是否一致。实验协议、消融及统计信息尚未验证；代码与复现条件也尚未验证。该工作直接面向 EEG/BCI 解释评估，但摘要中的结果不足以证明其临床可用性或跨被试稳健性。