面向运动想象的 EEG 与 fNIRS 均衡多模态解码框架

基于摘要分析。该研究针对 EEG-fNIRS 运动想象（MI）联合训练中易学习模态占据主导、削弱融合表征的问题，提出动态重初始化框架，通过“诊断—调整—重初始化”机制促进跨模态均衡学习。 核心机制是以训练集与验证集单模态特征的可分性差异作为诊断信号，结合网络层级先验和模态特异的梯度统计量生成调整因子，再据此周期性地对 EEG 与 fNIRS 编码器参数进行软重初始化。其设计目标是促进弱势模态重新学习、抑制单模态主导，同时保持已收敛表征的稳定性；具体可分性度量、调整公式及软重初始化实现尚未验证。 作者报告，在一个公开 EEG-fNIRS MI 数据集上，平均分类 Accuracy 为 92.42 ± 4.54%，并称显著优于单模态及常规融合基线、在不同被试间表现出较强一致性。摘要未给出数据集名称、被试规模、划分方式、基线具体成绩及显著性检验细节；“±”对应的统计量也尚未明确。不同被试间的一致性不能直接等同于采用了 Cross-subject 评估协议，因此该结果的跨被试泛化含义仍需全文确认。 复现时需核对诊断信号如何使用验证集、层级先验与梯度统计量如何组合、重初始化频率及幅度如何设定，以及这些机制相对常规训练的独立贡献。实验协议、消融及统计信息尚未验证；当前材料支持其作为多模态训练均衡机制的研究线索，尚不足以判断跨会话、跨数据集或在线 BCI 场景的有效性。