用于被试独立运动想象分类的端到端半球差异网络

基于摘要分析。该研究针对左右手运动想象（MI）的左右脑半球活动差异，提出端到端 Hemisphere Discrepancy Network（HDNet），用于跨被试 EEG 运动想象分类。其主要贡献是将半球间差异信息与空间依赖共同纳入深度表征，而非仅提取一般时空特征。 机制上，HDNet 首先通过沿 EEG 时间点进行卷积的时间层学习时间表征，再使用由三个并行层组成的双半球空间差异模块，提取深层空间表征。按摘要描述，该模块既保留内在空间依赖，又提取左右脑半球之间的差异信息，随后接入分类器。三个并行层各自的运算、半球差异的具体计算方式、损失函数及训练流程尚未验证。摘要将显式利用半球差异作为创新点，但其关于既有深度学习模型未考虑该机制的概括仍需结合相关工作核对。 作者报告，在包含 54 名被试的二分类 MI EEG 数据集上开展跨被试评估，HDNet 优于基线方法。摘要未提供数据集名称、具体训练与测试被试划分、基线名称、评价指标或性能数值，因此目前只能确认作者报告的优势方向，无法判断提升幅度及稳定性。实验协议、消融及统计信息尚未验证。 复现时需核对电极与左右半球的对应关系、预处理流程、模型配置和跨被试划分，并检查半球差异模块相对于其他空间建模组件的独立贡献。现有材料支持将半球差异视为值得检验的 MI 建模先验，但不足以确认其对不同通道配置、其他数据集或跨会话场景的泛化效果。