跨被试准确率 86%
利用深度可分离卷积和 Grad-CAM 揭示不同被试间共享的神经响应模式，为基于脑电的专业水平识别提供可解释的共性特征。
Liqi, Lin · Li, Pengrui · Qinghua, Wang · Binnan, Bai · Cui, Ruifang · 余贞侠 · 郜东瑞 · 张永清
Expert Systems with Applications 2024
模型在留一被试交叉验证中实现 82%–86.32% 的平均准确率，证明其对个体差异具有鲁棒性。
利用 Grad-CAM 技术识别出对分类贡献最大的脑区与频段，揭示生物学上有意义的特征。
相比当前最优的深度学习方法，平均准确率提升了 1.56%–5.79%。