具有神经生理意义的运动想象 EEG 仿真及其在数据增强中的应用

基于摘要分析。研究针对运动想象 BCI（MI-BCI）解码受数据限制、用户特异 MI-EEG 数据难以大规模获取的问题，提出 PySimMIBCI 框架，将具有神经生理意义的活动整合进生物物理前向模型，生成逼真的 MI-EEG 信号，并用于用户特异的数据增强。 核心机制是以神经生理活动和生物物理前向建模为基础生成 EEG，而不只是对已有信号进行变换。摘要明确指出，该框架能够模拟用户控制 MI-BCI 的不同能力，并在生成信号中纳入疲劳效应。用户特异神经生理信息的具体获取方式、活动参数化方法、前向模型配置及疲劳效应的实现方式尚未验证。作者将纳入用户特异神经生理信息作为区别于既有生成方法的贡献，但相关工作的覆盖范围仍需全文核对。 作者报告，仿真数据与真实数据较为相似；基于模拟用户特异数据的增强策略显著优于所比较的先进增强方法，并使深度学习模型性能提升最高达 15%。摘要未说明该数值对应 Accuracy、其他指标、相对增幅还是百分点，也未提供数据集、被试数量、被试内或跨被试划分及具体对照，因此不能将其解读为跨协议通用的准确率增益。相似性评价指标、显著性检验、实验协议、消融及统计信息尚未验证。 复现时需核对仿真参数如何依据真实用户数据确定、增强数据如何加入训练流程，以及用户能力和疲劳建模分别带来何种贡献。还应核对各对照方法的数据量与训练条件，以及评估数据与仿真参数估计数据之间的划分关系。代码可用性、运行依赖和复现配置未在摘要中说明；当前证据支持将其视为 MI-EEG 数据增强的候选方法，尚不足以确认其对新用户、跨会话或不同通道配置的有效性。