特征空间中的鲁棒匹配滤波

基于摘要分析。本文研究噪声中已知波形的检测问题，将模板与观测非线性映射到高维特征空间，构造匹配滤波检验统计量，旨在保持高斯噪声下检测性能的同时提高对脉冲噪声的鲁棒性；原研究并非 EEG 或 BCI 专项研究。 核心机制是以非线性变换后的模板和观测构造两个超平面，并以二者的内积作为检验统计量；通过核技巧，该统计量可表示为简单的二次型。模板和观测的最优投影通过最大化特征空间中的 Fisher discriminant analysis（FDA）准则获得。在白高斯噪声假设下，作者推导了两种检测假设下统计量均值和方差的闭式表达，并提出求解最优投影的迭代过程。作者分析指出，最优投影保留了原始波形形状信息，因此可预先固定其中一个投影算子，以简化优化。 作者报告，仿真实验中该统计量在高斯噪声下达到线性匹配滤波的最优性能，并在脉冲噪声分布下表现出更强鲁棒性。摘要未给出核函数、噪声参数、样本规模或具体检测指标；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一机制可能对应 EEG 中已知 ERP 模板在瞬态伪迹干扰下的检测问题，可复用核化统计量与 FDA 投影优化，但需明确 EEG 的时序表示、模板获取方式及投影估计所需数据。EEG 低信噪比、跨被试波形差异、通道变化与小样本估计不稳定均可能削弱效果，且脉冲噪声仿真不能代表真实伪迹。一个可证伪的小实验是在固定被试内训练与测试划分、仅用训练数据估计模板和调参的条件下，比较该方法与线性匹配滤波在原始及加入脉冲干扰的测试数据上的检测率，并固定相同虚警率。已有 EEG 相关工作尚未检索确认。