利用数据增强与迁移学习提升卒中患者的运动想象解码

基于摘要分析。研究针对卒中患者因个体差异导致的 EEG 解码准确率低、模型校准耗时问题，提出实时运动想象 BCI 系统 WalkBCI。其核心是利用目标被试的静息态数据，通过 RM-GAN 生成运动想象特征数据，并在迁移学习优化中结合源域数据，以减少校准数据采集负担并改善分类表现。 机制上，该方法将生成式数据增强与迁移学习结合，面向卒中患者的实际校准需求。摘要尚未说明 RM-GAN 如何建立静息态数据与运动想象特征之间的映射，也未给出生成目标、损失函数、源域组成及迁移优化细节；这些内容是判断方法可复用性及生成特征有效性的关键。 作者报告，在卒中患者数据集的离线实验中，相较摘要所称的传统方法，Accuracy、Precision、Recall 和 F1 分别提高 3.3%、2.6%、3.8% 和 3.4%；摘要未明确这些增幅是相对百分比还是百分点，也未列明具体基线和数据划分。在线实验中，作者报告最高 Accuracy 为 72.5%，校准时间减少 58%，但最高值对应的被试或实验条件、时间缩减的参照流程尚未验证，不能将最高值视为平均表现。 在疲劳相关比较中，作者报告 FS-14 评分平均降低 7.5 分，额区 theta/beta 数值平均降低 74.05；后者的定义、量纲、测量时段及两项结果的统计不确定性尚未验证。摘要据此认为系统减轻了被试疲劳，但这些结果不等同于卒中康复疗效证据。 复现前需核对患者人数、运动想象任务与类别、EEG 采集和预处理、被试内或跨被试划分、源域与目标域数据使用规则，以及生成数据和迁移学习各自的贡献。在线稳定性的评估时长、实验协议、消融及统计信息尚未验证；代码与数据可用性亦未由所给材料确认。