快速序列视觉呈现能支撑高效的脑电脑机接口，但单试次解码受信号重叠和多成分纠缠困扰。团队先开发了基于Transformer的DisCo-Former，加入3个由神经生理先验引导的部件，分别是趋势与周期性分离、保留全局时间模式的通道级嵌入，以及利用目标相邻非目标样本的对比学习。DisCo-Former超过了现有方法，但分析显示注意力持续坍缩，注意力图变得近乎均匀，值投影权重趋近于0。
研究者据此去掉Transformer编码器，保留其余模块，得到纯多层感知机的DisCo-MLP。在2个数据集和3种评估方式下，DisCo-MLP与Transformer版本持平或更优，受试者内解码的平均AUC约为0.94至0.98，稳定高于强基线。作者称，对这一范式的脑电解码而言，效果更多来自对信号结构的建模而非架构复杂度，由范式特定的神经生理先验驱动的简单模型是通向先进性能的一条务实路径。