基于 EEG 的脑机接口鲁棒性研究

基于摘要分析。本研究针对噪声与伪迹导致 EEG-BCI 性能下降的问题，在低信噪比（SNR）条件下向特定通道注入模拟噪声，系统考察机器学习与深度学习模型的运动想象（MI）分类鲁棒性，并探索通过改变激活函数改善抗噪表现。 作者报告，在所考察的模拟通道特异性噪声条件下，深度学习 MI 分类模型比传统机器学习模型更稳健；EEGNet 相较 Shallow ConvNet 和 FBCSP 对此类噪声更具鲁棒性。研究还识别出一组对噪声较敏感的通道，但摘要未给出通道名称、定位方法或跨被试一致性，相关信息尚未验证。这些结果针对特定模拟噪声条件，不能直接推广为对所有真实 EEG 伪迹的鲁棒性结论。 改进方法以饱和非线性激活为核心。作者报告，在 SNR 为 -18 dB 的模拟通道特异性噪声条件下，采用饱和非线性后，EEGNet 的分类 Accuracy 百分比降幅由 10.99% 降至 6.53%，Shallow ConvNet 由 14.05% 降至 3.57%。上述数值是准确率下降的百分比，并非最终 Accuracy，也不应改写为准确率提高的百分点；降幅的参照条件与计算公式尚需核对全文。 摘要未提供数据集、被试数量、被试内或跨被试划分、噪声分布与注入阶段、激活函数具体形式及训练设置，实验协议、消融及统计信息尚未验证。复现时需重点核对 SNR 定义与通道噪声幅度的标定、各模型的对照条件，以及饱和非线性对无噪声分类性能的影响。作者将该方案定位为初步解决办法，强调仍需更精确的方法提升 EEG-BCI 的鲁棒性与可用性。