Ин таҳқиқот модели MGLSDNet-ро арзёбӣ кардааст, ки барои беҳтар кардани таснифоти боэътимоди сигналҳои электроэнсефалографияи тасаввури ҳаракат байни шахсони гуногун афзоиши додаҳо дар домени wavelet, шабакаи нейронии конволютсионии чоршоха ва худдистилятсияи глобалӣ-маҳаллиро якҷоя мекунад. Модел дар маҷмӯаҳои додаҳои BCI Competition IV 2a ва 2b, ки ҳар кадом нӯҳ иштирокчӣ доранд, бо арзёбии leave-one-subject-out санҷида шудааст. Дақиқии миёнаи таснифот дар маҷмӯаи чорсинфаи 2a %58,24 ва дар маҷмӯаи дусинфаи 2b %76,07 гузориш шудааст. Бо вуҷуди ин, таҳқиқот препринти аз тақризи ҳамтоён нагузашта мебошад; танҳо ба ду маҷмӯаи додаҳои кушода такя мекунад ва тасдиқ дар системаи вақти воқеӣ, гурӯҳи беморони клиникӣ, иштирокчиёни нав ё истифодаи саҳроиро пешниҳод намекунад.

Шабакаи пешниҳодшудаи Multi-scale Global-Local Self-Distillation Network (MGLSDNet) ду мушкилро ҳам дар сатҳи дода ва ҳам дар сатҳи модел якҷоя баррасӣ мекунад. Дар сатҳи дода, баъзе коэффисиентҳои тафсилотии wavelet-и намунаҳои EEG-и ба як синфи motor imagery тааллуқдошта иваз шуда, намунаҳои нави омӯзишӣ сохта шудаанд. Дар сатҳи модел чор шохаи параллелӣ истифода шудааст, ки миқёсҳои гуногуни вақтро таҳлил мекунанд; ҳар шоха ва қарори якҷояи шохаҳо аз ҷониби версияҳои таърихии қаблан сабтшудаи худи шабака роҳнамоӣ мешаванд.

Дар BCI Competition IV 2a, дақиқии %58,24-и MGLSDNet аз дақиқии %57,16-и наздиктарин модели муқоисавӣ MSVTNet ба андозаи 1,08 банди фоизӣ баландтар аст. Аммо ин фарқ аз ҷиҳати оморӣ маънонок нест; дар paired t-test p=0,6507 гузориш шудааст. Дар BCI Competition IV 2b, MGLSDNet ба %76,07 расида, натиҷаи %73,24-и TIDNet-ро, ки баландтарин миёнаи байни усулҳои муқоисавӣ дошт, 2,83 банди фоизӣ гузаштааст. Фарқ дар ин муқоиса бо p=0,0308 аз ҳади маънонокии оморӣ пасттар гузориш шудааст.

Арзёбӣ барои Туркия: Таҳқиқот барои гурӯҳҳое, ки дар Туркия дар соҳаҳои интерфейси майна-компютер, технологияи ёрирасон ва нейрореабилитатсия кор мекунанд, чаҳорчӯбаи усулиеро пешниҳод мекунад, ки метавонад дар таснифоти EEG байни шахсҳо санҷида шавад. Ҳадафи коҳиш додани ниёз ба ҷамъоварии маълумоти зиёди калибркунонӣ аз корбари нав махсусан муҳим аст. Аммо усул бояд бо иштирокчиёни Туркия, дастгоҳҳои гуногуни EEG, шароити лаборатории маҳаллӣ ва гурӯҳҳои клиникии ҳадаф аз нав тасдиқ шавад. Ин препринт далели беҳбудии беморон, муваффақияти саҳроии идоракунии протез, коҳиши ченшудаи вақти калибркунӣ ё самаранокии клиникиро пешниҳод намекунад.

Саволи асосии таҳқиқот чист?

Саволи асосӣ ин аст, ки оё моделе, ки танҳо бо маълумоти motor imagery EEG аз шахсони манбаъ омӯзонида шудааст, метавонад сигналҳои шахси навро, ки ҳангоми омӯзиш ҳеҷ гоҳ надидааст, боэътимодтар тасниф кунад. Ин ҳадаф дар таҳқиқот умумикунонии домен (domain generalization) номида шудааст. Дар domain generalization маълумоти шахси ҳадаф ҳангоми омӯзиши модел истифода намешавад; ҳадаф омӯхтани намунаҳои вобаста ба вазифаест, ки дар чанд шахси манбаъ умумӣ мебошанд ва сохтани моделе, ки мустақиман ба шахси нав татбиқ мешавад.

Motor imagery маънои тасаввур кардани ҳаракати даст, по ё забонро бе иҷрои воқеии ҳаракат дорад. Таҳқиқот намунаҳои EEG-ро, ки ҳангоми чунин вазифаҳои зеҳнӣ пайдо мешаванд, тасниф мекунад. Дар BCI Competition IV 2a чор синфи motor imagery ва дар 2b ду синф — дасти чап ва дасти рост — мавҷуданд.

Чаро таҳқиқот муҳим аст?

Дар таҳқиқот се мушкили асосии таснифоти motor imagery EEG зикр шудааст: таносуби пасти signal-to-noise, тағйирёбии сигналҳо бо вақт ва фарқи намоёни тақсимот байни сигналҳои майнаи шахсони гуногун. Вақте моделҳои deep learning бо шумораи ками иштирокчиён ва намунаҳои маҳдуд омӯзонида мешаванд, онҳо метавонанд ба ҷойи хусусиятҳои умумии вазифаи motor imagery, садо ё намунаҳои хоси баъзе шахсонро омӯзанд.

Ин метавонад пеш аз ворид кардани корбари нав ҷаласаҳои дарози калибркунӣ ва омӯзиши шахсӣ талаб кунад. Ҳадафи таҳқиқот чен кардани бевоситаи эҳтиёҷи калибркунӣ нест, балки сохтани моделе мебошад, ки бе истифодаи маълумоти омӯзишии шахси ҳадаф таснифи беҳтар анҷом диҳад.

Кадом холигии адабиёт ҳадаф гирифта шудааст?

Тибқи таҳқиқот, усулҳои қаблӣ аксаран data augmentation ва model regularization-ро ҷудогона баррасӣ мекунанд. Илова кардани садо, time shifting ё amplitude scaling дар домени вақт метавонад сохтори time-frequency-и сигналҳои motor imagery-ро вайрон кунад. Моделҳои тавлидӣ чун GAN ва VAE метавонанд бо ноустувории омӯзиш ва тасдиқи маънои физиологии намунаҳои сохташуда мушкил дошта бошанд.

Шабакаҳои бисёршоха метавонанд аз миқёсҳои гуногуни вақт ё басомад хусусиятҳои иловагӣ бароранд, вале оптимизатсияи мустақили ҳар шоха метавонад ба regularization-и нокофии қарори умумӣ оварда расонад. MGLSDNet ин ду самтро муттаҳид мекунад: аввал бо иваз кардани коэффисиентҳои wavelet тақсимоти омӯзишро васеъ мекунад, сипас бо self-distillation, ки ҳолатҳои таърихии шабакаро ҳамчун teacher истифода мебарад, хусусиятҳои multi-scale-ро танзим мекунад.

Афзоиши додаҳо дар домени wavelet чӣ гуна кор мекунад?

Wavelet transform барои ҷудо кардани сигнали EEG ба ҷузъҳои гуногуни вақт-басомад истифода шудааст. Дар таҳқиқот approximation coefficients бо cA ва detail coefficients бо cD нишон дода шудаанд. Ду намунаи аз як синф интихоб шуда, танҳо коэффисиентҳои як сатҳи муайяни detail байни онҳо иваз мешаванд ва аз ҷузъҳои тағйирёфта ду намунаи нави EEG барқарор мешаванд. Нишони синф тағйир намеёбад.

• cD1: Коэффисиентҳои detail-и сатҳи аввал, ки дар таҳқиқот бо 20–40 Hz алоқаманд шудаанд.
• cD2: Коэффисиентҳои detail-и сатҳи дуюм, ки бо 10–20 Hz алоқаманд шудаанд.
• Иваз байни шахсон: Намунаҳои як синф аз шахсони манбаи гуногун интихоб мешаванд.
• Иваз дар дохили шахс: Намунаҳои як синф аз ҳамон шахси манбаъ интихоб мешаванд.

Шакли 2 нишон медиҳад, ки ду сигнал ба ҷузъҳои wavelet ҷудо шуда, cD1 ё cD2 иваз ва сигналҳои нав барқарор мешаванд. Approximation coefficients ва сатҳи detail-и ивазнашуда нигоҳ дошта мешаванд. Ҳадафи муаллифон тақлид кардани фарқҳои ритмии amplitude ва phase байни шахсон бо нигоҳ доштани маънои синфии сигнал аст.

Дар таҷрибаҳо wavelet-и Daubechies 4 (db4), multiplier-и секаратаи data augmentation ва noise-и пасти 0,02 истифода шудааст. Аммо таҳқиқот эътибори физиологии намунаҳои тавлидшударо бо меъёри мустақили spectral similarity, санҷиши коршинос ё санҷиши биологии ҷудогона нишон намедиҳад. Иддаои “нигоҳ доштани маънои физиологӣ” бештар асосноккунии усулӣ мебошад, ки аз натиҷаҳои таснифот ғайримустақим дастгирӣ мешавад, на натиҷаи биологии мустақиман исботшуда.

Feature extractor-и бисёршоха чӣ гуна сохта шудааст?

MGLSDNet аз чор шохаи параллелӣ бо сохтори якхелаи сеқабата иборат аст. Фарқи асосӣ андозаи kernel-и temporal convolution-и аввал аст. Андозаҳо тавассути sampling frequency \(F_s\) ҳамчун \(F_s/16\), \(F_s/8\), \(F_s/4\) ва \(F_s/2\) муайян шудаанд. Kernel-ҳои калон ба намунаҳои ритмии дарозтар ва kernel-ҳои хурд ба тағйироти кӯтоҳтар равона шудаанд.

Ҳар шоха се амали асосӣ иҷро мекунад:

1. Temporal convolution: Бо kernel-и \(1 \times L_k\) намунаҳои вақтии хоси шохаро мебарорад.
2. Spatial depthwise separable convolution: Бо kernel-и \(C \times 1\) муносибатҳои байни электродҳои EEG-ро модел мекунад. Дар ин ҷо \(C\) шумораи каналҳои EEG мебошад.
3. Separable temporal convolution: Хусусиятҳои ду қабати аввалро якҷоя карда, контекстҳои мураккабтари вақтро берун меорад.

Хусусиятҳои мобайнии шохаҳо дар марҳилаи барвақт якҷоя намешаванд. Ҳар шоха баромади таснифии худро истеҳсол мекунад ва барои қарори ниҳоӣ миёнаи элементии logits гирифта мешавад. Шакли 1 чор шохаи student network, historical teacher network, local loss-ҳои сатҳи шоха ва global loss байни қарорҳои якҷояшударо нишон медиҳад.

Global-local self-distillation чӣ гуна татбиқ мешавад?

Self-distillation аз teacher model-и беруна ва пешомӯхташуда истифода намекунад. Параметрҳои student network дар фосилаҳои муайян нусха шуда, версияи нусхашуда freeze ва ҳамчун historical teacher истифода мешавад. Teacher update interval дар таҳқиқот 10 epoch аст. Ҳамин тавр student model ҳам аз labels-и воқеӣ ва ҳам аз probability distribution-и версияи қаблии худ меомӯзад.

Local self-distillation ҳар student branch-ро бо historical teacher branch-и худаш муқоиса мекунад. Global self-distillation бошад combined output-и student branches-ро бо output-и умумии teacher branches мутобиқ мекунад. Истифодаи якҷоя ҳадаф дорад, ки ҳар scale дар дохили худ regularized шавад ва қарори муштараки чор branch низ мувофиқ гардад.

Loss functions чиро ҳисоб мекунанд?

Муодилаи аввал Kullback-Leibler divergence-ро байни soft output distribution-и student branch-и \(k\) ва teacher branch-и таърихии мувофиқ ҳисоб мекунад:

\[ L_{\mathrm{soft}}^{k} = \tau^{2} \cdot KL\left(\operatorname{softmax}(z_k/\tau)\,\|\,\operatorname{softmax}(z_k^{\mathrm{teacher}}/\tau)\right) \]

Дар ин ҷо \(z_k\) logits-и student branch, \(z_k^{\mathrm{teacher}}\) output-и historical teacher ва \(\tau\) temperature parameter мебошад. Дар таҳқиқот \(\tau=2{,}0\) истифода шудааст. Ин бузургиҳо воҳиди физикӣ надоранд.

Муодилаи дуюм hard-label loss-ро бо soft-label loss якҷоя мекунад:

\[ L_{\mathrm{local}}^{k} = \alpha L_{\mathrm{hard}}^{k} + (1-\alpha)L_{\mathrm{soft}}^{k} \]

\(L_{\mathrm{hard}}^{k}\) cross-entropy loss бо labels-и воқеӣ ва \(L_{\mathrm{soft}}^{k}\) self-distillation loss мебошад. \(\alpha\) вазни ду манбаи назорат аст ва дар таҳқиқот 0,5 истифода шудааст.

Муодилаи сеюм logits-и чор historical teacher branch-ро миёна мекунад:

\[ z_{\mathrm{final}}^{\mathrm{teacher}} = \frac{1}{K}\sum_{k=1}^{K}z_k^{\mathrm{teacher}} \]

Дар ин ҷо \(K\) шумораи branch-ҳо мебошад ва барои MGLSDNet \(K=4\).

Муодилаи чорум global distillation loss-ро байни combined output-и student ва teacher ҳисоб мекунад:

\[ L_{\mathrm{global}} = \tau^{2} \cdot KL\left(\operatorname{softmax}(z_{\mathrm{final}}/\tau)\,\|\,\operatorname{softmax}(z_{\mathrm{final}}^{\mathrm{teacher}}/\tau)\right) \]

\(z_{\mathrm{final}}\) combined student output ва \(z_{\mathrm{final}}^{\mathrm{teacher}}\) average teacher output мебошад.

Муодилаи панҷум total training objective-ро муайян мекунад:

\[ L_{\mathrm{total}} = \sum_{k=1}^{K}L_{\mathrm{local}}^{k} + L_{\mathrm{global}} + L_{\mathrm{hard}}^{\mathrm{final}} \]

Total loss local losses-и чор branch, global self-distillation loss ва cross-entropy-и combined final decision-ро дар бар мегирад. Ин loss terms dimensionless мебошанд. Таҳқиқот иддао мекунад, ки ин таркиб ҳам branch-level robustness ва ҳам network-level decision consistency-ро зиёд мекунад.

Визуализатсияи хусусиятҳо чиро нишон медиҳад?

Шаклҳои 3 ва 4 проексияҳои дученакаи t-SNE-и хусусиятҳои аз чор шохаи шабака гирифташуда барои шахси якум бо рамзи B01 дар BCI Competition IV 2b-ро нишон медиҳанд. Меҳварҳои t-SNE бузургиҳои физикии EEG ё басомадҳо нестанд; онҳо координатаҳои камкардашудаи хусусиятҳои баландандоза барои таҳлили визуалӣ мебошанд.

Пеш аз омӯзиш нуқтаҳои ду синф дар ҳамаи чор шоха асосан омехтаанд. Баъд аз омӯзиш синфҳои дасти чап ва рост кластерҳои равшантар ташкил медиҳанд. Тибқи таҳқиқот, шохаҳои 1 ва 3 бештар ҷудокунии уфуқӣ, шохаҳои 2 ва 4 бештар ҷудокунии амудӣ нишон медиҳанд. Ин намоиш тафсири омӯзиши хусусиятҳои иловагиро дастгирӣ мекунад.

Доираи ин визуализатсия маҳдуд аст. Танҳо шахси B01 аз 2b нишон дода шудааст ва ҷудошавӣ бо меъёри миқдории кластерӣ гузориш нашудааст. Аз ин рӯ t-SNE худ ба худ муваффақияти моделро исбот намекунад.

Таҳқиқот кадом натиҷаҳоро дастгирӣ мекунад?

• MGLSDNet дар тартиби муқоисавии таҳқиқот дар ҳар ду маҷмӯаи дода баландтарин дақиқии миёнаро додааст.
• Ҳамаи чор варианти data augmentation аз версияи бе augmentation натиҷаи баландтар доданд.
• Ивазкунии байни шахсон дар ҳар ду маҷмӯа беҳтарин натиҷаҳои augmentation-ро дод.
• Local ва global self-distillation алоҳида афзоиши хурд ва якҷоя афзоиши бештар доданд.
• Дар 2b фарқ бо ҳамаи усулҳои муқоисавӣ p<0,05 гузориш шудааст.
• Дар 2a, ғайр аз MSVTNet, фарқҳо p<0,01 гузориш шудаанд.

Таҳқиқот чиро исбот намекунад?

• Беҳбудии натиҷаҳои беморон дар реабилитатсияи клиникиро нишон намедиҳад.
• Коҳиши ченшудаи вақти калибркунонии корбарони нав гузориш нашудааст.
• Идоракунии вақти воқеии протез, аробачаи маъюбӣ ё дастгоҳи ёрирасон санҷида нашудааст.
• Ҳақиқияти физиологии EEG-и тавлидшуда бо меъёрҳои мустақили биологӣ тасдиқ нашудааст.
• Умумикунонӣ байни дастгоҳҳои гуногуни EEG, лабораторияҳо ё маҷмӯаҳои дода нишон дода нашудааст.
• Умумикунонӣ байни ҷаласаҳои як шахс тасдиқ нашудааст.
• Бартарии MGLSDNet бар MSVTNet дар 2a аз ҷиҳати оморӣ нишон дода нашудааст.
• Истифодаи дарозмуддат, бехатарӣ, роҳат ё қобилияти тиҷоратӣ арзёбӣ нашудааст.

Ҷиҳатҳои қавии таҳқиқот кадомҳоянд?

• Data augmentation ва model regularization-ро дар як чаҳорчӯба муттаҳид мекунад.
• Ду маҷмӯаи додаҳои кушода ва маъмул истифода шудаанд.
• Арзёбии байни шахсон бе истифодаи маълумоти шахси ҳадаф дар омӯзиш татбиқ шудааст.
• Вариантҳои augmentation ва self-distillation бо таҷрибаҳои ҷудогона санҷида шудаанд.
• Ба ғайр аз дақиқӣ, standard deviation, Kappa ва paired t-test гузориш шудаанд.
• Архитектура, loss functions ва hyperparameters-и асосӣ шарҳ дода шудаанд.

Маҳдудиятҳо ва номуайяниҳои дохилии манбаъ кадомҳоянд?

Худи таҳқиқот се маҳдудиятро қабул мекунад: интихоби wavelet coefficients ба фарзияҳои пешакӣ вобаста аст, historical teachers сарбории ҳисоббарории омӯзишро зиёд мекунанд ва generalization байни sessions тасдиқ нашудааст.

Илова бар ин, арзёбӣ танҳо ба ду маҷмӯаи дода бо нӯҳ шахс дар ҳар кадом такя мекунад. Effect size, confidence interval, normality check ва multiple-comparison correction барои paired t-test гузориш нашудаанд. Training time, inference latency, memory use, parameter count ва computational cost муқоиса нашудаанд. Code repository ё executable link низ дода нашудааст.

Дар манбаъ баъзе номувофиқӣ мавҷуд аст. Pseudocode-и augmentation намунаҳоро бо “action class + subject ID” гурӯҳбандӣ карда, интихоби дохили ҳамон шахсро нишон медиҳад, дар ҳоле ки натиҷаҳои беҳтарин ба inter-subject exchange тааллуқ доранд. Pseudocode танҳо cD2-ро нишон медиҳад, вале таҷрибаҳо cD1 ва cD2-ро истифода мебаранд. Матни асосӣ average fusion-и баробарро мегӯяд, аммо inference pseudocode вазнҳои таърифнашудаи \(w_k\)-ро истифода мекунад. Beta rhythm барои 2b дар қисмати метод 18–25 Hz ва дар шарҳи augmentation 13–30 Hz дода шудааст. Ин фарқҳо пинҳонӣ якҷоя ё ислоҳ нашудаанд.

Аҳамият аз назари гузашта, имрӯз ва оянда чист?

Таҳқиқот wavelet-based augmentation, multi-branch EEG networks ва self-distillation-ро, ки қаблан алоҳида истифода мешуданд, дар як системаи cross-subject generalization муттаҳид мекунад. Саҳми имрӯзаи он пешниҳоди таҷрибаҳои муқоисавӣ ва component-wise мебошад.

Дар оянда dynamic wavelet selection, teacher update-и сабуктар, маҷмӯаҳои дигар, session shift ва real-time BCI бояд санҷида шаванд. Арзиши таҳқиқот аз пешниҳоди усули санҷишшаванда барои беҳтар кардани EEG classification бе training data аз target subject бармеояд, на аз нишон додани системаи клиникии омода.

Усул ва натиҷаҳои таҳқиқот

Маҷмӯаҳои дода ва хусусиятҳои намуна

Ҷадвали зерин хусусиятҳои асосии ду маҷмӯаи motor imagery EEG-ро муқоиса мекунад.

Тартиби арзёбӣ ва омӯзиш

Моделҳои муқоисавӣ

MGLSDNet бо EEGNet, DeepConvNet, EEGConformer, TIDNet, FBCNet, MSVTNet ва MTMBCNN муқоиса шудааст.

Натиҷаҳои асосии таснифот

Дар 2a, MGLSDNet дар панҷ аз нӯҳ шахс баландтарин дақиқиро дод: A01 %62,18, A02 %48,81, A04 %50,46, A06 %54,19 ва A07 %67,02.

Дар 2b, модел дар ҳашт аз нӯҳ шахс беҳтарин буд. Истисно B04 аст: MTMBCNN %82,99 ва MGLSDNet %78,41. Баландтарин натиҷаи MGLSDNet дар B07 %84,55 ва барои B03-и душвор %62,33 буд.

Натиҷаҳои paired t-test

Қиматҳои p-и зерин аз paired t-test-ҳои дақиқии сатҳи шахс байни MGLSDNet ва ҳар усули муқоисавӣ гирифта шудаанд.

Дар 2a ғайр аз MSVTNet ҳамаи p-value-ҳо аз 0,01 каманд. Дар 2b ҳамаи муқоисаҳо аз 0,05 каманд. Аммо бе multiple-comparison correction ё effect size, p-value танҳо андозаи бартариро нишон намедиҳад.

Муқоисаи wavelet data augmentation

Ҳеҷ варианти augmentation аз baseline паст нашуд. Дар 2a inter-subject cD1 +1,68 банди фоизӣ ва дар 2b inter-subject cD2 +1,57 банди фоизӣ дод.

Натиҷаи беҳтари ивазкунии байни шахсон тафсири муҳаққиқонро дастгирӣ мекунад, ки якҷоя кардани сигналҳои як синф аз шахсони гуногун ба тақсимоти омӯзиш гуногунии бештар меорад. Аммо таҳқиқот бо таҷрибаи механизми ҷудогона муайян накардааст, ки кадом хусусиятҳои спектралӣ ё морфологии намунаҳои тавлидшуда сабаби афзоиши муваффақият шудаанд.

Натиҷаҳои ablation-и self-distillation

Local alone: +0,65 дар 2a ва +0,53 дар 2b; global alone: +0,58 ва +0,40; якҷоя: +1,03 ва +0,84 банди фоизӣ.

Тафсири умумии натиҷаҳо

Бартарии равшантар дар 2b дида мешавад. Дар 2a, гарчанде MGLSDNet баландтарин миёнаро медиҳад, фарқ бо MSVTNet маънонок нест. Аз ин рӯ барои 2a бартарии қатъӣ бар ҳамаи усулҳои қавӣ исбот нашудааст.

Augmentation ва self-distillation ба accuracy саҳм мегузоранд, аммо афзоишҳо аксаран чанд банди фоизӣ ё камтар аз як банд мебошанд. Ин натиҷаҳо беҳбудии усулӣ мебошанд, на далели таснифи бехато ё омодагии клиникӣ.

Ёддошт оид ба манбаъ ва усул

Номи пурраи аслӣ: Enhancing EEG Domain Generalization via Collaborative Data Augmentation and Multi-Scale Self-Distillation

Муаллифон: Xiaoyu Li; Qingshan She; Zhipeng Zhou; Yunyuan Gao; Xugang Xi.

Муаллифи аввалини баробар: Маълумот дода нашудааст.

Муаллифи масъул: Qingshan She; qsshe@hdu.edu.cn.

Муассисаҳо:

• School of Automation, Hangzhou Dianzi University, Hangzhou, Zhejiang 310018, China.
• Zhejiang Provincial Key Laboratory of Brain Computer Collaborative Intelligence Technology and Applications, Hangzhou, Zhejiang 310018, China.

DOI:10.2139/ssrn.7201285

Маҷалла: Маълумоти маҷаллаи тақризшаванда вуҷуд надорад.

Ношири аслӣ: Нашри маҷаллаи тақризшаванда нест; preprint.

Платформа: SSRN.

Соли нашр: 2026.

Санаи SSRN: 29 Июл 2026.

Навъи манбаъ: Preprint-и тадқиқотӣ бо усули ҳисоббарорӣ ва таҳлили дода.

Вазъи тақриз: Preprint аст ва аз тақризи ҳамтоён нагузаштааст.

Пайванди расмӣ:https://ssrn.com/abstract=7201285

Вазъи версияи тақризшуда: Дар санҷиши 5 Август 2026 версияи маҷалла бо ҳамин унвон тасдиқ нашуд.

Маблағгузорӣ: Zhejiang Provincial Natural Science Foundation of China LZ26F010007 ва National Natural Science Foundation of China 62371172 ва 62371171; инчунин захираи ҳисоббарории Hangzhou Dianzi University Supercomputing Center.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро рад кардаанд.

Ин мақолаи тоҷикӣ бар асоси матн, формулаҳо, ҷадвалҳо, шаклҳо, pseudocode, discussion ва conclusion-и таҳқиқоти боршуда омода шудааст. Натиҷаҳои илмии беруна илова нашудаанд; санҷиши беруна танҳо барои DOI, платформа, сана ва вазъи нашр истифода шудааст.

Маҳдудиятҳои асосӣ: танҳо ду маҷмӯаи дода, нӯҳ шахс дар ҳар кадом, набудани истифодаи клиникӣ ё real-time, тасдиқ нашудани session generalization, wavelet selection-и пешакӣ ва гузориш нашудани арзиши ҳисоббарории self-distillation. Инчунин broken cross-reference, номувофиқии pseudocode ва inter-subject experiment, фарқи beta band ва inference weights-и таърифнашуда мавҷуданд.

Натиҷаҳо нишон медиҳанд, ки MGLSDNet метавонад дар ду маҷмӯаи кушода cross-subject motor imagery EEG classification-ро беҳтар кунад. Он clinical benefit, safe real-time use, industrial-scale success ё бартараф шудани calibration need-ро исбот намекунад.