Channel Reflection：用于基于 EEG 的脑机接口的知识驱动数据增强

基于摘要分析。该研究针对基于 EEG 的 BCI 中用户特定校准数据较少、纯数据驱动解码模型难以充分训练的问题，提出无参数的通道反射（Channel Reflection，CR）数据增强方法。其核心贡献是将不同范式的通道分布先验纳入增强过程，而不只依赖数据驱动的样本变换。 机制方面，摘要明确说明 CR 利用通道分布相关知识，但未提供具体通道映射、反射操作、标签处理规则或先验构建方式，因此尚不能判断各范式下增强如何保持任务相关信息。“无参数”是作者对增强方法的描述，不意味着所用解码模型也无参数。 实验方面，作者报告在八个公开 EEG 数据集、四类范式或任务上，使用不同解码算法进行评估；这些任务包括运动想象、稳态视觉诱发电位（SSVEP）、P300 和癫痫发作分类。其中癫痫发作分类属于 EEG 分析任务，不宜直接等同于 BCI 控制任务。作者报告 CR 能提高分类 Accuracy、相较已有数据增强方法表现更好，并可与其他增强方法组合进一步提升性能。摘要未列出数据集名称、被试数、具体基线、提升幅度，以及被试内、跨被试或跨会话划分，因而这些结论目前只能按作者报告理解，不能据此量化收益或比较不同协议。 复现时需核对各任务的通道反射规则、所需电极布局及先验、实际校准样本量、增强与数据划分的执行顺序，以及与其他增强方法组合的设置。实验协议、消融及统计信息尚未验证。作者表示代码已在线提供，但所给材料未包含代码地址，其可获得性与运行条件尚未验证。作者建议将此类增强作为 EEG BCI 的必要步骤，这一建议的普适性仍需结合具体任务与评估协议核对。