探索 EEG 与眼动融合用于多类别目标 RSVP-BCI

基于摘要分析（当前仅提供 Highlights，未取得论文全文）。本研究面向多类别目标的快速序列视觉呈现脑机接口（RSVP-BCI），探索将 EEG 与眼动（EM）特征融合用于多类别解码。作者设计了三种多类别 RSVP 任务，并构建包含 EEG 与眼动数据的数据集，同时引入动态特征融合重加权及层级分类器间的知识迁移。 技术上，材料提出两条机制路径：其一，推导模态贡献比例，以指导融合特征的动态重加权；其二，在层级分类器之间进行知识迁移，以减少非目标错误。模态贡献比例的计算依据、重加权发生在训练还是推理阶段，以及分类层级、迁移方向和损失形式均尚未验证，不能据此推定具体网络结构。 作者报告 EEG 与眼动特征融合可增强多类别 RSVP 解码性能，并通过知识迁移减少非目标错误，但所给材料未提供定量指标及对照背景。“非目标错误”具体指哪类误判、是否影响目标类别之间的区分，仍需核对正文。数据集的被试数、任务类别、采集与同步方式、被试内或跨被试划分、评价指标、基线、消融及统计信息尚未验证，因此无法判断收益来自眼动信息、动态重加权还是知识迁移。 复现时需核对 EEG 与眼动的时间对齐、预处理和特征提取流程，模态贡献比例估计是否依赖标签，以及层级分类器的训练与推理规则。数据集和代码的公开情况亦尚未验证。