在零样本跨被试运动想象解码中，信号质量比模型复杂度更重要

基于摘要分析。该研究针对无需目标被试训练数据的 BCI，在零样本跨被试运动想象（MI）解码中比较表征学习、几何深度学习与经典方法，主要贡献是通过系统性负结果说明：在所测试范围内，分析时间窗和协方差表示选择比架构改动更影响性能，而非证明模型复杂度普遍无益。 研究在 BCI Competition IV Dataset 2a（9 名被试、4 分类）上采用严格留一被试交叉验证（LOSO），比较原始 EEG 上的自监督表征学习、协方差特征上的几何深度学习，以及经典黎曼几何与域适应。作者报告前两类方法不及简单经典基线；显式被试解耦降低了被试身份探针指标，却未改善约 27%、接近随机水平的解码表现。摘要将探针从 8.07% 降至 6.36% 描述为“约减半”，数值与措辞不一致，需核对正文；这组结果也不足以单独确认唯一瓶颈。 作者报告 Manifold Embedded Knowledge Transfer（MEKT）略优于最强经典基线 FgMDM（47.45%）；时间窗与协方差估计器选择带来的增益超过所测试的架构变化。8 成员集成在上述数据集及 LOSO 背景下达到 52.39% ± 14.92%，Kappa 为 0.36；摘要未说明“±”的统计定义。由于集成方案曾在同一批 9 名被试上选择，作者另做嵌套 LOSO，仅以外层训练被试进行内层交叉验证，并报告全部 9 个外层折均获胜、未出现泄漏驱动的性能膨胀；具体选择流程及比较对象尚未验证。替代集成、估计器和伪标签细化未进一步改善结果。 作者报告在 PhysioNet（109 名被试）复现同一获胜流程得到 51.95%，与 Dataset 2a 的 52.39% 相差 0.44 个百分点。这里是第二数据集上的流程复现证据，不能据此认定模型从一个数据集直接迁移到另一个数据集有效；PhysioNet 的任务配置、划分及评估细节尚未验证。 复现重点应是时间窗、协方差估计、集成构成，以及目标被试无标签数据是否参与域适应及其使用边界。实验协议、消融及统计信息尚未验证；9 名被试上的不确定性和受限的架构比较范围，应与作者的核心结论一并保留。