有限数据下的 EEG 分类：一种深度聚类方法

基于摘要分析（仅提供 Highlights，未取得论文全文）。本研究面向有限数据条件下的 EEG 分类，提出缓解深度神经网络过拟合的训练策略、处理 EEG 离群样本的聚类方法，以及 EEG 信号数据增强方法。 材料呈现了三个方法方向：训练策略针对过拟合，聚类针对离群样本，数据增强针对 EEG 信号。标题将整体方法称为深度聚类，但现有内容未说明聚类对象、离群样本判定方式，以及聚类如何与分类训练结合；也无法确认数据增强的变换形式、标签保持条件或训练目标。因此，尚不能还原具体算法流程，或判断三者是否构成联合优化框架。 作者未在所给 Highlights 中报告定量结果。任务类型、数据集、被试规模、有限数据的定义，以及 Within-subject、Cross-subject 或 Cross-session 评估协议均尚未验证；分类指标、对照基线、消融及统计信息也尚未验证，不能据此认定方法优于既有方案。 进一步阅读应核对聚类能否区分异常噪声与有效但少见的 EEG 模式、增强操作是否保留任务相关信息，以及训练策略在不同数据规模下的作用。复现所需的模型结构、损失、预处理、数据划分、超参数与实现可用性仍需全文确认。该研究直接涉及 EEG 分类，但材料未明确具体 BCI 任务，其 BCI 应用效果尚未验证。