用于空间–频谱–时间 EEG 信号解码的可学习连续小波多分支注意力卷积神经网络

基于摘要分析（现有材料仅含 Highlights，未取得论文全文）。研究面向运动想象 EEG 解码，提出基于可学习连续小波的多分支注意力卷积神经网络，旨在自动构建具有判别性的空间–频谱–时间（SST）表征，并同时学习局部与全局 SST 特征。 机制上，标题与 Highlights 明确指出连续小波表征、多分支 CNN 和注意力机制的结合，但未说明小波的具体可学习参数、分支组织方式、注意力作用维度，以及局部与全局特征如何融合。损失函数、训练流程与推理设置尚未验证，不能据此补写具体网络结构。 作者报告，在公开数据集上通过与其所称的 SOTA 方法比较展示了方法有效性。现有材料未提供数据集名称、被试数量、被试内或跨被试等评估协议、数据划分、对照方法及具体指标，因此尚不能判断优势幅度、统计可靠性或跨协议泛化能力。 复现时需从全文核对连续小波变换的实现及参数学习方式、EEG 预处理与输入组织、局部和全局特征的定义，以及各分支和注意力模块的独立贡献。实验协议、消融及统计信息尚未验证，代码与复现资源的可用性亦未确认。该研究直接针对运动想象 EEG，但现有证据不足以推断其在线 BCI 表现或神经康复效果。