arXiv（brain-computer interface）· Abdul Basit·· 27 天前AI 评分28
ThinkNet：面向运动想象 EEG 分类的进化深度集成框架
ThinkNet: Evolutionary Deep Ensembles for Efficient Motor-Imagery EEG Classification
AI 导读
ThinkNet 是一个验证受控框架，结合仅训练集归一化、验证引导的进化搜索与验证门控推理，为留出受试者筛选紧凑的运动想象 EEG 解码器与推理策略。
AI 要点
团队
作者 Abdul Basit；提交人 Saim Rehman；论文被 IEEE-EMBS BHI'2026 接收。
主要结果
固定基准中验证选出的紧凑解码器达 44.35±15.41% 准确率，4.9K 参数、19 KB FP32 权重、0.99 ms 批 1 Orin CUDA 推理。
解决什么问题
面向实用辅助与康复脑机接口，需在目标用户数据有限、算力受限下泛化到新用户的被试独立 MI-EEG 解码器。
方法
四分类 BCI Competition IV-2a（session T），九个 LOSO 折、三个种子、七个固定解码器条目，并搜索十类代表性解码器家族。
局限
原文称验证可靠性仍是受试者迁移下的关键瓶颈：非部署 oracle 分析显示 6.1 点家族选择差距、验证—测试相关性近零。
AI 依据原文整理，未经人工核对。
来源：arXiv（brain-computer interface） · arxiv.org