参与者多样性有限是否阻碍了基于 EEG 的机器学习？

基于摘要分析。本文研究 EEG 机器学习中训练样本量与参与者多样性如何影响模型性能扩展，重点区分将记录切成更多片段与增加不同参与者这两种数据增长方式。作者将这一过程概念化为多层级数据生成过程，并通过大规模实证研究考察性能随总体样本量和参与者多样性的变化。 核心思路是：EEG 片段数量可以远多于原始记录或参与者数量，因此片段层面的样本增长不能直接等同于参与者层面的多样性增长。该框架同时用于分析数据增强与自监督学习这两类应对有限数据的策略；具体增强操作、自监督目标、模型结构及训练流程尚未验证。 作者报告，在其摘要所述的实证研究中，参与者分布偏移可能严重限制模型性能随数据规模增长的改善。摘要未提供数据集、任务、参与者数量、性能指标或具体划分，因而目前无法判断结论适用于哪些被试内、跨被试或跨数据集评估条件，也不能量化两类策略的收益或直接比较其优劣。实验协议、消融及统计信息尚未验证。 其阅读价值在于为 EEG 数据采集与模型评估提供一个明确的分析视角：应分别核对参与者数量、参与者分布及片段数量，而不只报告总样本数。具体的数据采集建议及适用边界仍需阅读正文确认。作者称实验代码已公开，但摘要未给出代码地址，代码可访问性、运行环境与完整复现条件尚未验证。该研究直接面向 EEG 机器学习，但摘要未明确具体 BCI 任务，不能据此视为已验证的 BCI 性能改进。