arXiv cs.AI· Abdul Basit, Saim Rehman, Muhammad Shafique·· 6 天前AI 评分20
ThinkNet：面向高效运动想象 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，为留出被试选择紧凑解码器与推理策略。在四分类 BCI Competition IV-2a 的九折 LOSO 评测中，验证选出的紧凑解码器以 4.9K 参数、19 KB FP32 权重实现 44.35±15.41% 准确率和 0.99 ms 的 Orin CUDA 单批推理。
正文 · AI 翻译
摘要：实用的辅助与康复脑机接口需要与受试者无关的运动想象脑电（MI-EEG）解码器，能够在目标用户数据有限且计算资源受限的情况下泛化到新用户。然而，当测试受试者信息影响预处理、模型选择或集成选择时，留出受试者的性能可能被高估。我们提出 \textit{ThinkNet}，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和验证门控推理，为留出受试者识别紧凑解码器和推理策略。我们使用九折留一受试者（LOSO）、三个随机种子、七个固定解码器条目，以及对十个代表性解码器家族的更广泛搜索，评估四类 BCI Competition IV-2a（session T）解码；留出受试者从不用于归一化、超参数、架构或集成策略选择。在固定基准中，验证选出的紧凑解码器达到 44.35$\pm$15.41\% 准确率，参数量 4.9K，FP32 权重 19 KB，Orin CUDA 批大小 1 推理耗时 0.99 ms。在更广泛的搜索中，紧凑模型（$\leq$25K 参数）在选定重训练后取得了比中型和大型替代方案更高的平均留出准确率（40.10\% 对 35.09\% 和 34.78\%）。验证门控集成优于验证选出的单模型推理，在固定基准中达到 43.98$\pm$16.25\%，紧凑六家族集成达到 43.31$\pm$15.88\%。一项不可部署的 oracle 分析揭示了 6.1 个百分点的家族选择差距和近乎为零的验证—测试相关性，表明在受试者偏移下验证可靠性仍是关键瓶颈。因此，ThinkNet 是一个用于紧凑 MI-EEG 模型和推理策略选择的验证受控框架，而非单一架构基准。
| 评论： | 已被 IEEE-EMBS BHI'2026 接收，7 页 |
| 主题： | 人机交互（cs.HC）；人工智能（cs.AI）；机器学习（cs.LG）；信号处理（eess.SP） |
| 引用为： | arXiv:2609.33967 [cs.HC] |
| （或 arXiv:2609.33967v2 [cs.HC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.33967 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Abdul Basit [查看邮件]
[v1]
2026 年 9 月 27 日星期日 22:11:26 UTC（3,392 KB）
[v2]
2026 年 10 月 9 日星期五 15:00:12 UTC（3,393 KB）
来源：arXiv cs.AI · arxiv.org