Europe PMC（brain-computer interface · PubMed）· Trocellier D, Kojima S, N'kaoua B, Lotte F.·2026-09-28 08:00· 27 天前精选AI 评分58

Inria 团队发现视觉提示会让深度学习 MI-BCI 分类器依赖视觉诱发电位

Visual cues in MI-BCI induce biases in EEG classification models with deep learning but not with standard machine learning.

AI 导读

法国 Inria 的 Trocellier、Lotte 团队比较了 CSP+LDA、DeepConvNet 和 Transformer 基础模型 REVE 在运动想象 EEG 分类中的表现，发现把视觉提示出现时刻纳入输入窗口会显著提高 DeepConvNet 和 REVE 的准确率。

AI 要点

团队

Trocellier D、Kojima S、N'kaoua B、Lotte F 等

主要结果

纳入视觉提示起始段后，DeepConvNet 与 REVE 分类准确率显著提升，但归因图显示模型主要依赖顶叶早期激活（很可能是提示相关视觉诱发电位），而非 MI 相关 ERD/ERS。

解决什么问题

检验输入 EEG 窗口中的任务相关视觉提示是否会让深度学习模型利用无关特征、损害神经生理有效性。

方法

在两个大规模公开 EEG 数据集上比较 CSP+LDA、DeepConvNet 和 Transformer 基础模型 REVE，采用含或不含视觉提示起始的两种分段策略，并用 Saliency 图与 CSP 模式解释特征。

局限

从研究设计看，为基于公开数据集的离线分类分析，未涉及异步或真实世界 BCI 场景。

AI 依据原文整理，未经人工核对。

AI 推荐理由

研究用归因图对比深度学习与传统方法，说明视觉提示会诱导分类器依赖视觉诱发电位而非感觉运动节律。