用于 HIVE-COTE EEG 分类的通道选择与生成算法

基于摘要分析。本文研究如何通过通道选择与通道生成降低 HIVE-COTE v2.0（HC2）在 EEG 分类中的运行时间，同时尽量保持完整 HC2 的分类准确率。主要贡献是探索输入通道层面的计算优化，而非提出新的 EEG 采集方式或已验证的在线 BCI 系统。 研究背景是 EEG 分类面临高维度、信号变异性与个体差异等挑战。摘要指出，近期研究发现 HC2 在 EEG 分类上表现较好，但其运行速度比 EEG 文献中的算法慢数个数量级。本文据此考察通道选择与通道生成策略；摘要未说明通道如何筛选、新通道如何构造，以及这些策略是否依赖标签或特定训练过程，具体算法机制尚未验证。 作者报告，在摘要所述但未展开的评估协议下，相比完整 HC2，所研究策略可实现最高约 3 倍的运行加速，且分类准确率差异未达到统计显著。该结论不等同于已证明两者准确率等效，也不能据此推断所有数据集或任务都获得相同加速。数据集、任务类型、被试数量、被试内或跨被试划分、准确率具体数值、统计检验及运行时间所涵盖的计算阶段均尚未验证。 复现时值得核对通道处理是否仅在训练数据上确定、与完整 HC2 的对照是否使用一致划分及计算资源，以及通道生成的额外开销是否计入总运行时间。实验协议、消融及统计信息尚未验证；现有摘要也不足以判断其是否满足在线 BCI 的时延要求。