ThinkNet提出跨被试EEG验证控制框架

Abdul Basit、Saim Rehman和Muhammad Shafique提出 ThinkNet 验证控制框架，用于跨被试运动想象 EEG 分类，并在 BCI Competition IV-2a session T 的 9 个 LOSO folds 固定基准中选出紧凑解码器与推理策略；该解码器准确率为 44.35±15.41%，参数量 4.9K，FP32 权重 19 KB，Orin CUDA batch-1 推理耗时 0.99 ms。 框架规定，留出被试不得参与归一化、超参数、架构或集成策略选择。在包含 10 类解码器的更广泛搜索中，参数量不超过 25K 的紧凑模型经选择性重训练后平均留出准确率为 40.10%，高于中型模型的 35.09% 和大型模型的 34.78%。但不可部署的预言机分析显示，模型家族选择仍有 6.1 个百分点差距，验证集与测试集表现几乎不相关，说明被试差异下验证可靠性仍是主要瓶颈。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。