降低斜方肌伪迹后 SSVEP-based BCI 性能量化的半仿真实验

该研究关注肌肉伪迹去除是否真正改善 SSVEP-based BCI 的分类表现，而不只降低 EEG 波形重建误差；核心贡献是在半仿真条件下对比这两类评价目标。基于摘要分析，未取得论文全文。 研究使用一个 SSVEP 基准数据集，将从斜方肌采集的肌肉伪迹人工加入信号，再评估一种肌肉伪迹去除方法对 BCI 性能的影响。分类环节采用基于任务相关成分分析（task-related component analysis，TRCA）的算法。摘要未给出去伪迹方法的名称、具体机制、参数范围，以及基准数据集名称。 作者报告，在上述人工污染的半仿真评估条件下，将伪迹去除方法与 TRCA 分类算法结合可提高分类准确率，但摘要未提供具体数值或详细对照设置。作者还报告，使重建误差最小的去伪迹设置，与使分类性能最大的设置不一致，据此建议以 BCI 下游性能而非仅以波形恢复程度调节去伪迹参数。 这一结果的适用边界是人工加入斜方肌伪迹的 SSVEP 场景，不能据此认定同样收益已在自然肌肉活动污染或在线 BCI 中得到验证。复现时需核对伪迹混合方式与强度、数据划分、参数选择所用数据，以及重建误差和分类准确率的计算协议；被试规模、实验协议、消融及统计信息尚未验证。