使用少量训练被试进行 P300 事件相关电位的被试独立分类

基于摘要分析。该研究针对 EEG 被试间差异导致 P300 BCI 分类器难以泛化的问题，探索仅使用少量训练被试，能否实现对未见被试的 ERP 分类。其核心贡献是在 CNN 训练中采用留一被试交叉验证（LOSO-CV）进行模型选择，并通过外层 LOSO-CV 评估包含模型选择在内的完整训练流程。 方法上，内层 LOSO-CV 用于调整 CNN 的层数、滤波器数量、卷积核大小及训练 epoch 等超参数。其依据是：在训练被试内部轮流留出一名被试，可以模拟模型面对未见被试时的分类情境，使模型选择与 Cross-subject 泛化目标保持一致。外层 LOSO-CV 则在训练流程之外检验完整方法。摘要未提供最终网络结构、损失函数、预处理或具体超参数取值，不能据此补全实现。 作者报告，在四个公开数据集上的实验支持 CNN 配合 LOSO-CV 模型选择，从少量被试中学习可用于未见被试分类的 ERP 内在特征。但材料未给出数据集名称、训练被试数量、类别设置、指标数值及对照结果，因此尚不能量化其优势，也不能确定“少量被试”的具体范围。 复现时值得核对内外层被试划分、超参数搜索范围、预处理与模型选择的数据边界，以及不同训练被试数量下的性能变化；这些是待核对事项，不代表作者未做相应控制。实验协议、消融及统计信息尚未验证。该工作直接研究 P300 BCI 的 Cross-subject 分类，其结论不宜直接推广至 MI、SSVEP 或其他 EEG 任务。