使用 Earth Mover's Distance 量化 BCI 中的空间域解释
基于摘要分析。本文研究 EEG 运动想象（MI）BCI 分类模型的空间域解释，提出基于最优传输理论的 Earth Mover's Distance（EMD）方法，量化模型特征相关性图与神经科学领域知识之间的差异，以补充仅用 Accuracy 评价模型的方式。 方法上，作者实现了黎曼几何分类器、EEGNet 和 EEG Conformer，并使用可解释人工智能（XAI）技术生成空间域特征相关性，识别影响模型输出的重要通道。EMD 用于比较这些相关性图与领域知识，为不同架构的解释提供量化指标。摘要未说明具体 XAI 算法、领域知识如何编码为参考分布，以及 EMD 的空间距离定义、归一化方式和计算细节，这些均需核对全文。 作者报告，在所用数据集上，不同架构的 Accuracy 变化趋势与所提出的特征相关性指标相关；作者还报告，使用与运动想象相关的通道训练时，不同架构模型的表现显著优于使用数据驱动通道选择的表现。摘要未提供数据集名称、被试数、被试内或跨被试等划分协议、通道数量、具体 Accuracy 数值、相关系数或显著性检验，因此目前不能判断效应大小及适用范围，实验协议、消融及统计信息尚未验证。 本文的主要阅读价值在于将模型空间解释与领域知识的对应关系转化为可比较的量，而非仅展示通道相关性图。需注意，解释与领域知识的一致性并不自动证明模型具有因果有效性、跨被试泛化能力或临床可靠性。复现时应重点核对参考分布的构建依据、不同模型解释尺度的可比性，以及领域知识通道选择与数据驱动通道选择的完整对照协议；代码可用性尚未验证。
阅读价值：值得核对其如何用 Earth Mover's Distance 量化通道相关性图与神经科学领域知识的一致性，以及该指标与 MI 分类表现的关系，但具体解释生成方法和统计证据尚未验证。