源于运动想象分类的 EEG 微状态序列作为潜在 BCI 触发信号

基于摘要分析。本研究考察 EEG 微状态序列能否用于左、右手运动想象分类，并将分类输出作为潜在 BCI 触发信号。核心方法是以微状态轨迹表示多通道 EEG，再通过由 LSTM 自编码器和全连接神经网络组成的半监督架构提取特征并完成分类。 微状态将 EEG 描述为有限个准稳定空间状态随时间的变化，从而降低多通道信号的表示维度。研究比较两种训练方式：两阶段方法分别训练自编码器与分类器；端到端方法联合重建损失和分类损失进行训练。摘要未给出微状态提取流程、序列编码、损失权重或半监督训练中标签的具体使用方式。 作者报告，该架构能够从微状态序列中提取用于被试内、会话内分类的相关特征；在采用迁移学习的跨会话或跨被试迁移实验中，峰值分类 Accuracy 约为 89%。摘要未分别提供这两类迁移协议的结果，也未给出平均性能、数据划分或对照基线，因此该峰值不能视为普遍可达到的跨被试表现。 作者还通过改变迁移学习的应用程度评估校准需求，报告其方法平均需要约 400 秒校准数据才能达到 80% 分类 Accuracy；具体适用的迁移场景、数据采集与划分方式尚未验证。该结果反映了所报告条件下仍存在校准需求，不等同于已实现免校准 BCI。 复现时需核对数据集与被试规模、微状态模板的拟合范围、训练与测试划分、迁移时可用数据及标签、校准时间的计算方法，以及两种训练方式的对照结果。实验协议、消融及统计信息尚未验证；摘要也不足以确认在线触发可靠性、触发延迟或真实使用场景中的有效性。作者将微状态轨迹与迁移学习视为迈向便捷、免校准 BCI 的潜在方向，而非已完成的应用验证。