加性白高斯噪声下用于稳健 EEG 运动想象解码的任务导向语义特征传输

基于摘要分析。该研究面向远程 EEG 系统中紧凑特征传输易受通信噪声影响的问题，对经 PCA 压缩的 filter bank common spatial pattern（FBCSP）特征进行任务导向残差细化，考察能否在不增加传输维度的情况下提升四分类运动想象（MI）解码的稳健性。 方法以保留基线表征为出发点，通过任务导向细化改善特征经过加性白高斯噪声（AWGN）信道后的判别能力。摘要未提供残差模块结构、具体损失或训练流程，尚不能确认其实现方式。这里处理的是通信信道噪声，不应直接等同于 EEG 采集噪声、伪迹或跨被试分布偏移。 评估使用 BNCI2014-001 的九名被试，采用被试特定的双向 Cross-session 协议。传输维度为 K∈{16,32,64} 个实数，覆盖七种信噪比（SNR）及无噪声参考条件；每个有噪声条件的 Balanced Accuracy 在 20 次配对噪声实现上取平均。另在 K=32 时设置仅调整分类器的对照。 作者报告，在上述协议且 K=32 时，所提方法在 −10、−5、0 dB 下的 Balanced Accuracy 分别为 41.10%、49.46%、56.15%，传统 FBCSP–PCA 传输对应为 38.63%、46.28%、53.26%。24 项主要比较中有八项经 Holm 校正后仍显著，均出现在 −10、−5 或 0 dB。作者还报告，仅调整分类器的对照接近传统系统，而面向重建的表征接近机会水平，支持在该评估设置下优先优化任务判别信息而非重建质量的结论。 这些证据限于所述数据集、跨会话协议和模拟 AWGN 信道；传输实数个数相同并不直接证明实际比特率、能耗或端到端延迟相同。复现需核对训练与测试划分、特征归一化、噪声注入与功率定义、残差细化实现及显著性检验单位；完整实验协议、消融及统计信息尚未验证。该材料为预印本，不能据此推断真实通信链路或在线 BCI 中已有相同收益。