跳到正文
只看信号与统计方法#CNN
9月30日周三
  1. OpenReview · EEG66

    使用 EEGNet 与 EEG Conformer 进行视觉解码的 EEG 特征表示比较研究

    基于摘要分析。本研究针对持续视觉范式中 EEG 特征提取方法的相对有效性尚不明确的问题，比较八种特征表示，并结合 EEGNet、EEG Conformer 及两种预处理流程评估视觉解码表现，旨在识别有效的特征基线与泛化瓶颈。 比较方法包括 coherence、Granger causality、directed transfer function、partially directed coherence、transfer entropy、discrete wavelet transform、empirical wavelet transform（EWT）和 wavelet scattering transform。研究使用 MindBigData MNIST、MindBigData MNIST-8B 与 MSS 三个公开 EEG 数据集，分别采用去除伪迹和不去除伪迹的预处理流程。摘要未交代特征如何输入两种架构、训练配置及各数据集对应的任务划分。 作者报告，EWT 获得最高 Accuracy：数字与空白二分类达到 97.83%，会话内自然图像分类达到 77.10%；连接性方法整体表现较低，其最佳 Accuracy 为 91.67%。摘要未明确这些数值各自对应的数据集、架构、预处理流程和训练测试划分，因此不能将不同任务的数值直接比较。作者据此认为，频谱功率信息比通道间关系更具判别力，并将小波类自适应频谱分解视为较强基线；这一解释的适用范围仍需结合完整实验核对。 作者报告，Cross-subject 泛化的最佳表现约为 68%，但摘要未明确该数值的具体指标及任务设置，作者据此强调域适应的研究需求。复现时值得核对被试与会话隔离方式、伪迹去除对不同表示的影响，以及特征提取参数和模型训练条件。被试数、实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未验证。现有摘要支持将 EWT 作为候选对照基线，尚不足以判断其优势能否跨任务或跨被试稳定保持。

9月19日周六
  1. OpenReview · EEG75

    运动想象 EEG 解码：超越单一最小导联配置

    基于摘要分析。本文研究运动想象 EEG 解码中的精简导联问题，区分“解码器需要多少电极”的压缩问题与“选择特定电极是否优于同数量其他电极”的选择问题，主要贡献是用等通道数随机基线和独立测试检验这两类主张，而非提出一个普适的最小导联配置。 研究采用紧凑的 EEGNet-style 解码器，在 PhysioNet EEG Motor Movement/Imagery Dataset 上进行想象左拳与右拳运动的分类。共纳入 106 名被试，按被试划分为训练、验证、测试集，人数分别为 74/16/16，属于 Cross-subject 评估。作者预先固定保留全导联 Cohen’s Kappa 90% 的标准，仅用验证被试选择通道预算，再在留出测试被试上评估一次；Fisher 通道排序仅使用训练数据，并与相同通道预算的随机子集比较。 作者报告，验证集选出的预算为 64 个通道中的 32 个，Kappa 为 0.420，全导联为 0.443，保留比例为 94.8%。同一预算在留出测试被试上的 Kappa 为 0.292，全导联为 0.326，保留比例为 89.7%；被试级 bootstrap 区间为 0.698–1.079，包含 90% 阈值，因此测试结果既不能确认，也不能排除达到预设保留标准。 关于电极选择收益，作者报告 Fisher 排序未与等预算随机子集明确区分：每个预算使用 20 个随机子集时，单侧 p 值均不低于 0.14。测试后仅在验证集扩展至 100 个随机子集，排序配置在 k=16 与 k=32 时分别位于第 74 与第 87 百分位，对应 p=0.267 与 0.139。这些验证分析不能替代独立测试证据。 验证集后续分析中，作者报告八通道感觉运动区配置在十个新随机种子下优于排序配置，Kappa 差值为 +0.120，95% CI 为 0.088–0.151，但未优于同一头皮带内的随机子集；被试特定配置未超过随机配置，蒸馏结果尚无定论。复现时应保留按被试划分、验证集选预算、训练集内排序及等预算随机对照这些关键条件。具体预处理、Fisher 计算方式、随机子集采样规则、训练超参数及完整统计协议尚未验证。

    阅读价值：值得阅读其将通道压缩与电极选择收益分开评估的设计：作者报告 Fisher 排序未明确优于等通道数随机子集，提示精简 EEG 导联的结论应结合随机基线与独立测试中的不确定性判断。

9月18日周五
  1. OpenReview · Representation learning80

    表征形成的信息几何

    基于摘要分析。本文研究神经网络内部表征在训练过程中如何形成，以及形成路径是否包含最终表征无法揭示的信息。其核心贡献是将表征学习视为几何轨迹，用 Bures 几何度量表征空间中的移动，并用量子 Fisher 信息刻画表征对输入因素的局部敏感性。 机制与结果：作者报告，学习使局部敏感性集中于任务相关因素；仅改变预测目标，就会使表征几何围绕相应视觉因素重新组织。当所学计算需要输入因素之间更高阶的交互时，表征轨迹会系统性地变得更曲折。作者报告，这一现象在性能匹配和训练时长控制下仍然存在，并从向量输入上的 MLP 扩展到渲染图像及自然图像上的残差 CNN；摘要未提供具体数据集、划分或定量指标。 稳定性与干预：作者报告，在控制交互阶数后，路径曲折度能够预测继续训练时的表征漂移及其对参数扰动的敏感性，而端点位移不能提供相同的预测信息。此外，表征感知优化可主动塑造这些轨迹。轨迹采样、几何量计算、优化目标、计算开销、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，训练路径的几何特征可能为 EEG 解码器的表征稳定性提供补充诊断，而非直接提高解码效果。可复用的是轨迹测量与稳定性预测框架；需改造的是输入因素定义、EEG 表征的几何构造及采样方式。原研究依赖可辨识的输入因素和预测目标，EEG 的低信噪比、通道差异及小数据可能使曲折度主要反映训练噪声。一个可检验的小实验是在固定被试内划分、性能匹配和训练时长的条件下，检验路径曲折度能否比端点位移更好地预测继续训练及参数扰动后的表征漂移。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以训练轨迹而非仅以最终表征分析计算复杂性与表征稳定性的思路，摘要报告了性能匹配及训练时长控制，但具体测量与干预方案尚待全文核对。

1月1日周三
  1. OpenReview · EEG51

    STEAM-EEG：基于 Markov Transfer Fields 与注意力 CNN 的 EEG 时空分析

    基于摘要分析。本文针对复杂 EEG 信号的分析与解释问题，提出 STEAM-EEG 框架，利用 Markov Transfer Fields（MTFs）将 EEG 时间序列转换为图像表征，尝试结合计算机图形技术与生物信号模式识别。作者将捕获 EEG 时空动态、支持可视化探索与模式识别作为方法目标，但摘要未给出可核对的性能结果。 技术机制方面，摘要明确描述了从 EEG 时间序列到 MTF 图像的转换，以及后续图像渲染、可视化与建模流程。标题提及 Attentive CNNs，但摘要没有说明其网络结构、注意力作用位置、输入组织方式、损失函数或训练与推理流程。尤其需要核对多通道 EEG 如何参与图像构造，以及所谓“时空动态”具体对应时间依赖、通道关系还是其他表征，不能仅凭标题认定已经建模电极空间拓扑。 癫痫诊断、睡眠障碍分析和 BCI 在摘要中属于应用背景，不能视为本文已验证的实验任务。数据集、被试规模、被试内或跨被试等划分协议、对照方法、评价指标及定量结果均尚未验证；实验协议、消融及统计信息也尚未验证。因此，目前无法判断图像化表征或注意力 CNN 相对于其他 EEG 分析方法的实际增益。 复现方面，作者表示代码可从 GitHub 获取，但所给材料未提供仓库地址，代码可用性尚未验证。后续阅读应优先核对 MTF 构造参数、EEG 预处理与通道组织、CNN 实现，以及数据划分和评估协议；在这些信息明确前，不宜将该框架表述为已证实有效的 BCI 解码方法。

1月1日周一
  1. OpenReview · EEG71

    使用 Earth Mover's Distance 量化 BCI 的空间域解释

    基于摘要分析。该研究针对 EEG 运动想象（MI）BCI 中模型表现难以解释的问题，提出基于最优传输理论的 Earth Mover's Distance（EMD）评估方法，量化空间特征相关性图与神经科学领域知识的对应程度，以补充仅依赖 Accuracy 的模型评价。 方法上，作者采用可解释人工智能（XAI）技术生成空间域特征相关性，识别影响模型输出的重要通道，并比较黎曼几何分类器、EEGNet 与 EEG Conformer 三类模型。其核心贡献是将解释结果与领域知识之间的比较转化为可量化指标；摘要未说明具体 XAI 方法、领域知识如何表示，以及 EMD 所需的分布构造和空间运输代价。 作者报告，在所用数据集的评估中，不同架构的 Accuracy 变化趋势与所提出的特征相关性指标相关；作者还报告，采用与 MI 相关的通道训练时，多种架构的表现显著优于数据驱动通道选择。摘要未提供数据集名称、被试数、被试内或跨被试等评估协议、通道选择流程、具体数值与显著性检验细节，因此这些结果尚不能用于跨协议性能比较，也不能将相关关系解释为因果关系。 阅读与复现时应重点核对：领域知识参照的定义、特征相关性图的归一化方式、EMD 对通道空间布局的处理，以及不同通道选择方案的训练与评估条件是否一致。实验协议、消融及统计信息尚未验证；代码与复现条件也尚未验证。该工作直接面向 EEG/BCI 解释评估，但摘要中的结果不足以证明其临床可用性或跨被试稳健性。

    阅读价值：值得阅读的是其用 Earth Mover's Distance 量化空间特征相关性图与神经科学领域知识的一致性，为 MI 分类准确率之外的解释评估提供可核对思路，但指标与性能的关系及统计可靠性尚需全文验证。

  2. OpenReview · EEG60

    通过 2D-CNN-LSTM 网络实现基于微分熵特征矩阵的 EEG 情绪识别

    基于摘要分析。本文针对 EEG 情绪识别中电极间空间相关性建模不足的问题，提出将微分熵特征矩阵（DEFM）与 2D-CNN-LSTM 结合的方法，以联合利用电极布局和时间窗口序列中的信息进行情绪分类。 核心表示构建过程是：先将一维 EEG 向量序列映射为与电极位置及脑区分布对应的二维网格矩阵序列，再将 EEG 划分为等长时间窗口，计算各窗口内每个电极的微分熵（DE），并将其与二维网格布局结合形成 DEFM。这一表示旨在保留相邻电极的空间关系及随时间变化的特征。随后，作者使用 2D-CNN-LSTM 识别情绪类别，并通过全连接层输出分类结果。摘要未提供具体网格映射、空缺位置处理、窗口长度、频段设置或网络配置，这些实现条件尚未验证。 作者报告，在 DEAP dataset 上，valence 与 arousal 分类的平均 Accuracy 分别为 91.92% 和 92.31%。摘要未说明类别定义、数据划分以及采用 Within-subject 还是 Cross-subject 协议，因此不能据此判断跨被试泛化能力，也不能直接与其他协议下的结果比较。作者认为该方法提升了准确性和鲁棒性，但具体对照基线、鲁棒性评估、消融及统计信息尚未验证。 复现时值得重点核对 DEFM 的电极空间映射规则、特征计算与预处理步骤、窗口及序列组织方式，以及训练测试划分。还需结合全文确认空间布局表示和时序建模各自的贡献，并检查不同被试与会话条件下结果的稳定性。

  3. OpenReview · EEG71

    使用 Earth Mover's Distance 量化 BCI 中的空间域解释

    基于摘要分析。本文研究 EEG 运动想象（MI）BCI 分类模型的空间域解释，提出基于最优传输理论的 Earth Mover's Distance（EMD）方法，量化模型特征相关性图与神经科学领域知识之间的差异，以补充仅用 Accuracy 评价模型的方式。 方法上，作者实现了黎曼几何分类器、EEGNet 和 EEG Conformer，并使用可解释人工智能（XAI）技术生成空间域特征相关性，识别影响模型输出的重要通道。EMD 用于比较这些相关性图与领域知识，为不同架构的解释提供量化指标。摘要未说明具体 XAI 算法、领域知识如何编码为参考分布，以及 EMD 的空间距离定义、归一化方式和计算细节，这些均需核对全文。 作者报告，在所用数据集上，不同架构的 Accuracy 变化趋势与所提出的特征相关性指标相关；作者还报告，使用与运动想象相关的通道训练时，不同架构模型的表现显著优于使用数据驱动通道选择的表现。摘要未提供数据集名称、被试数、被试内或跨被试等划分协议、通道数量、具体 Accuracy 数值、相关系数或显著性检验，因此目前不能判断效应大小及适用范围，实验协议、消融及统计信息尚未验证。 本文的主要阅读价值在于将模型空间解释与领域知识的对应关系转化为可比较的量，而非仅展示通道相关性图。需注意，解释与领域知识的一致性并不自动证明模型具有因果有效性、跨被试泛化能力或临床可靠性。复现时应重点核对参考分布的构建依据、不同模型解释尺度的可比性，以及领域知识通道选择与数据驱动通道选择的完整对照协议；代码可用性尚未验证。

    阅读价值：值得核对其如何用 Earth Mover's Distance 量化通道相关性图与神经科学领域知识的一致性，以及该指标与 MI 分类表现的关系，但具体解释生成方法和统计证据尚未验证。

  4. OpenReview · EEG64

    通过二分类分层与基于置换的通道选择改进睡眠阶段分类

    基于摘要分析。该研究面向 EEG 睡眠阶段分类，使用 CNN 模型 EEGNeX 提取并分类不同睡眠阶段的波形特征，将睡眠阶段组织为二分类任务，并通过基于置换的通道选择探索减少输入通道的可行性；其主要研究对象是睡眠分期，而非直接验证 BCI 控制任务。 方法与对照：摘要描述了使用 128 个 EEG 通道的 EEGNeX，以及根据置换式通道选择结果保留排名前三通道的方案。对照包括 AASM 推荐的三个通道和随机选择的三个通道。置换操作的具体方式、通道重要性计算、二分类任务组合，以及多个二分类模型如何形成完整睡眠分期结果，尚未验证。 结果：作者报告，在摘要所述睡眠阶段二分类评估中，所选前三通道的 Accuracy、Fscore、precision、recall、AUROC 和 Kappa 整体表现较高，原文将这些指标表述为超过 80%；但 N1 与 N2 分类的平均 Kappa 为 0.52。Kappa 并非百分比指标，相关量纲与各任务的具体结果需核对全文，不宜将这些指标混同为同一种性能。作者报告，采用 AASM 推荐三通道或随机三通道时性能下降，所选三通道模型的计算成本则远低于使用 128 通道的模型；摘要未提供成本测量方式或降幅。 验证与复现：数据集、被试数量、被试内或跨被试划分、训练与测试协议、类别分布、消融及统计信息尚未验证。复现时需核对通道选择是否限定于训练数据、选择结果在不同被试或会话间是否稳定，以及二分类表现能否支持实际多阶段睡眠分期；这些是待核对事项，不能据摘要认定存在协议问题。

1月1日周日
  1. OpenReview · EEG59

    面向情感计算界面的基于变分模态分解与卷积神经网络的 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 的正向、中性和负向三类情绪识别，提出两阶段变分模态分解（VMD）处理与卷积神经网络（CNN）分类流程，并比较网络深度及激活函数，以寻找适合该任务的超参数配置。 机制方面，作者提出使用两阶段 VMD 去除 EEG 中的伪迹与噪声，并将信号分解为 delta、theta、alpha、beta 和 gamma 五类脑波；随后从 1 秒脑波片段提取微分熵特征作为 CNN 输入，而非直接输入脑波。作者将这种特征输入设计用于减小 CNN 模型规模，但摘要未提供参数量或计算开销对照。研究组合了 2、5、7 层 CNN 与四种激活函数，构建十二个模型；除 ReLU 外，其余激活函数及具体网络结构尚未验证。 结果方面，作者在标准 SEED 数据库上训练并测试模型，报告 ReLU 架构在四种激活函数中取得较高的总体 Accuracy，为 90.33%。按正向、负向、中性类别的顺序，作者报告 2 层 ReLU CNN 的类别 Accuracy 分别为 100%、94.44%、78.2%，7 层 CNN 分别为 100%、94.40%、89.13%。这些数值均来自摘要所述 SEED 评估，但被试内、跨被试或跨会话协议、训练测试划分、类别指标计算方式，以及总体 Accuracy 对应的具体网络深度尚未验证，不能据此推断跨被试性能。 复现时需核对两阶段 VMD 的参数与处理顺序、频带对应方式、微分熵计算细节、1 秒片段生成及划分规则，并确认各模型是否采用一致的训练与评估条件。摘要中的类别结果提示中性情绪识别值得进一步分析，但其差异的统计可靠性及原因尚未验证；实验协议、消融及统计信息需结合全文核查。

  2. OpenReview · EEG68

    基于卷积神经网络与有限元分析的 EEG 源分析

    基于摘要分析。该研究针对 EEG 源分析中逆问题不适定、神经网络训练所依赖的正向建模可能不够准确的问题，提出利用更真实的头模型生成模拟 EEG，训练 CNN 重建脑电活动，并在模拟数据和真实体感诱发电位上评估源定位。 核心机制是改进训练数据的物理建模基础：作者采用经过颅骨电导率校准、考虑白质各向异性的头模型，生成模拟 EEG 作为 CNN 的训练数据。正向问题用于由脑内源活动计算头皮电位，逆问题则从 EEG 估计源活动；本文将真实头模型与学习式逆解结合。标题涉及有限元分析，但摘要未展开其具体实现、CNN 架构、训练目标或源空间表示，相关细节尚未验证。 作者报告，在真实体感诱发电位应用中，CNN 将 P20/N20 成分定位至被试特异的 Brodmann area 3b；与 single dipole scans 和 sLORETA 比较时，呈现相近的定位表现。摘要未提供定位误差、统计检验、被试数量及具体评估划分，因此不能据此判断性能优势或跨被试泛化能力。作者还提出该方法可能定位更深部的源，但摘要未提供支持这一潜力的定量结果。 复现时需核对头模型构建与电导率校准流程、白质各向异性参数、模拟源分布及噪声设置，以及模拟数据向真实 EEG 迁移的评估方式。训练与测试是否使用同一头模型、传统逆解的比较条件、实验协议、消融及统计信息尚未验证。现有材料支持将其视为 EEG 源定位方法研究，而非已验证的 BCI 解码方案。

12月31日周五
  1. OpenReview · EEG64

    考虑传感器空间配置的 EEG 分类

    基于摘要分析。该研究关注 EEG 分类中传感器空间布局的利用，提出按 EEG 通道位置构建类图像二维表示，并与忽略空间布局的一维表示比较，考察其在社交焦虑障碍分类和情绪识别中的作用。 表示机制：对照方式将各通道的频带信息拼接为一维表示；所提方式以 EEG 通道位置组织二维表示，使分类模型能够利用传感器的空间配置。摘要未说明具体频带、特征计算方法、二维坐标映射、空缺位置处理或归一化方式，因此不能将其进一步描述为某种已确定的空间插值或拓扑建模算法。 任务与结果：情绪识别使用 DEAP；社交焦虑障碍分类的数据来源及被试构成尚未验证。在这两项任务及所考察的机器学习算法范围内，作者报告二维表示相较一维表示持续取得“5–8% higher accuracy”。摘要未明确该表述指相对百分比提升还是绝对百分点差，也未提供被试内、跨被试或其他划分协议，不宜据此作跨协议比较。作者报告 Convolutional Neural Networks 的表现优于 Support Vector Machine 和 k-Nearest Neighbors，但摘要没有给出各算法的具体 Accuracy。 验证重点：复现需核对两种表示是否使用相同频带信息、预处理及数据划分，并明确 DEAP 的情绪标签定义、模型训练设置和评价统计。实验协议、消融及统计信息尚未验证。现有材料支持其作为 EEG 空间表示方法的研究价值，但不能据此认定其已具备跨被试泛化能力、跨会话稳定性或临床诊断效用。

1月1日周五
  1. OpenReview · EEG52

    基于经验模态分解和卷积神经网络的 EEG 癫痫发作预测

    基于摘要分析。该研究针对 EEG 癫痫发作预测，提出结合 Empirical Mode Decomposition（EMD，经验模态分解）、熵特征与深度卷积神经网络的 EMD-CNN 方法，在 CHB-MIT Scalp EEG 数据集上进行评估。作者报告，相较于部分既有 EEG 分类模型，该方法有助于提高癫痫发作预测的 Accuracy，但摘要未提供具体数值及对照模型名称。 技术流程包括：先以 30 s 滑动窗口对原始 EEG 分段，再将各段分解为 Intrinsic Mode Functions（IMF，固有模态函数）与残差；随后从分解成分中提取熵特征，最后使用深度卷积神经网络构建预测模型。其可核对的设计重点是以 EMD 分解后的熵表征作为 CNN 建模的基础，而非仅直接使用原始 EEG。熵的具体类型、分解成分选择、特征组织方式、网络结构、损失与训练配置尚未验证。 任务与评估需重点核对：标题及主要描述使用“预测”，但摘要的实验段落又将模型称为“检测”模型。仅凭摘要无法确认分类目标是否为发作前期与其他状态，也无法确定预测时间范围。CHB-MIT 上的被试选择、窗口步长、标签定义、训练测试划分，以及属于 Within-subject 还是 Cross-subject 评估均尚未验证；因此，不能将其定性性能描述解释为已验证的跨被试预测能力。 复现需要进一步取得完整预处理流程、EMD 与熵计算参数、窗口划分规则及对照配置，并核对相邻窗口与同次发作的数据如何分配到训练和测试集合。实验协议、消融及统计信息尚未验证，现有材料不足以量化 EMD、熵特征或 CNN 各自带来的贡献。

1月1日周二
  1. OpenReview · EEG64

    基于 EEG 的情绪识别中的卷积神经网络

    基于摘要分析。研究面向情感人机交互中的 EEG 情绪识别，将 EEG 信号转换为保留频率与电极空间信息的多光谱图像，再使用卷积神经网络（CNN）进行情绪分类。核心贡献是以图像表示组织 EEG 特征，使 CNN 能够利用频率信息和电极间的局部空间关系。 机制方面，作者称该图像转换保留相邻电极之间的局部距离，并认为其能够改善标准 EEG 分析对电极位置的不准确表达。这是作者提出的方法动机；摘要未提供具体对照结果，尚不能判断空间编码相对其他表示方式的独立收益。频带划分、特征计算、空间映射与插值方法，以及 CNN 结构、损失函数和训练配置尚未验证。 作者报告，在公开 DEAP 数据集、涉及 32 名被试的评估中，效价（valence，低／高）二分类的平均 Accuracy 为 81.64%，唤醒度（arousal，低／高）二分类的平均 Accuracy 为 80.25%。摘要中的“across 32 subjects”并未明确表示采用 Cross-subject 协议，不能据此将上述结果解释为跨被试泛化性能；被试内或跨被试设置、训练与测试划分、二分类标签阈值及平均方式均尚未验证。 复现时应优先核对多光谱图像构建流程、电极坐标处理、样本切分单位，以及对照基线是否使用相同划分。实验协议、消融及统计信息尚未验证，因此现有材料支持的是 EEG 图像化与 CNN 情绪分类的研究思路及作者报告的结果，而非其对新被试、跨会话或实际交互场景的有效性结论。

12月31日周一
  1. OpenReview · EEG64

    使用深度卷积网络进行 EEG 超分辨率的可行性研究

    基于摘要分析。研究探讨图像超分辨率（SR）中的深度学习方法能否用于 EEG，提出深度卷积网络以提高模拟 EEG 数据的空间分辨率。核心问题是噪声类型及信噪比（SNR）、上采样倍率如何影响恢复效果，以及能否改善超分辨率后的信号质量。 方法以低空间分辨率（LR）EEG 到高空间分辨率（HR）EEG 的恢复为目标，分别考察白高斯噪声与真实有色噪声条件。这里的超分辨率指空间分辨率提升，而非提高时间采样率；摘要未给出通道布局、LR/HR 数据构造、网络结构、损失函数或训练与测试划分。 作者报告，在白高斯噪声模拟条件下，SR 不仅将 LR 信号恢复为 HR 信号，还改善了信号质量；在真实有色噪声条件下，恢复信号的质量达到目标数据水平。作者还报告，随着上采样倍率增加，所得信号质量仍可接受，但摘要未提供倍率范围、评价指标、数值或对照基线，因此尚不能量化其有效范围，也不能据此认定其优于其他空间插值方法。 作者提出，白化技术可能缓解真实噪声 EEG 的重建限制，并预期 EEG SR 可降低实验成本；这些表述应分别视为待核验的改进方向与应用预期，而非已证实的部署收益。复现时需核对模拟信号与噪声的生成方式、目标数据是否含噪、白化流程、空间划分及恢复指标，并区分信号重建质量与下游 BCI 解码效果。实验协议、消融及统计信息尚未验证。