跨被试性能提升12–18%
用Shapley归因统一空间、频谱与时序特征，输出可解释的脑区与时段贡献图，让脑电解码从黑箱变为可解释、可泛化的过程。
Wang, Shaochang · Lee, Chinghung · Jung, Tzyy Ping · Suhan, Cui · Duan, Dingna · Wan, Xianglong · Xie, Xueguang · 宋海庆 · 董现玲 · 文东
Advanced Engineering Informatics 2026
通过不确定性感知Transformer学习任务不变特征，并利用方差引导注意力聚焦稳定模式，从而在不同被试间保持高性能。
Shapley归因机制量化每个脑区和时间段的贡献，生成的融合图直接显示哪些区域和时刻驱动了分类决策，让模型不再黑箱。
在情景记忆和运动想象数据集上，分类性能相比传统基线稳定提升12–18%，验证了框架在不同认知任务上的有效性。