探索 QEEGNet 利用量子机器学习进行跨任务与跨数据集 EEG 编码的潜力

基于摘要分析。本研究针对 EEG 深度学习中的数据复杂性、被试间差异与噪声鲁棒性问题，扩展此前提出的 Quantum-EEGNet（QEEGNet），考察其在多种认知与运动任务 EEG 数据集上的泛化表现。核心贡献是探索将量子层嵌入 EEGNet 的混合量子—经典架构在不同学习场景中的适用性，而非已证实的普遍性能提升。 机制方面，摘要明确 QEEGNet 在 EEGNet 中引入量子层，但量子数据编码、量子线路结构、量子层位置、损失函数、训练流程及推理实现尚未验证。当前材料也不能判断实验使用真实量子硬件还是经典模拟器，或潜在收益来自哪些具体机制。 作者报告：在所评估的多种认知与运动任务数据集及不同学习场景中，QEEGNet 在部分数据集上表现具有竞争力并保持一定鲁棒性，但相对传统深度学习方法的改进并不一致。摘要未提供数据集名称、被试数量、划分方式、对照模型清单或具体指标，因此不能量化收益，也不能确认标题中的 Cross-dataset 是否对应严格的跨数据集训练—测试迁移；多数据集分别评估与跨数据集迁移应在全文中区分。 作者据此认为，混合量子—经典架构仍需进一步优化，才能充分发挥量子计算在 EEG 处理中的潜力。复现时需核对任务与标签定义、Within-subject 或 Cross-subject 等评估协议、预处理、经典基线配置，以及量子实现和计算资源条件。实验协议、消融及统计信息尚未验证；现有摘要不足以确认量子优势或稳定的跨任务、跨数据集泛化收益。