动机状态的机器学习分类：来自感知与意象 EEG 分析的认识

基于摘要分析，当前材料仅提供研究亮点，未取得论文全文。该研究以欲望与渴求等动机状态的神经表征为对象，使用机器学习算法对感知与意象两种条件下的十二种动机状态进行分类和比较，并考察 EEG 电极数量对分类表现的影响。这里的 imagery 指意象，材料不足以将其限定为 MI（运动想象）。 作者报告，在所研究的十二种动机状态分类中，感知条件的准确率高于意象条件，基本需求及躯体感觉状态表现出更清晰的神经特征。材料未给出具体准确率、各状态类别定义及分类任务组织方式，因此无法判断优势集中于哪些类别，或是否在不同被试间稳定成立。 作者还比较了 14 通道与 18 通道 EEG 配置，报告更多电极带来小幅性能改善，但准确率增幅不大。该描述不能直接解释为统计上不显著，也不足以确定较少通道可替代较多通道；仍需核对电极位置、通道选择方法及两种配置是否采用一致的训练与评估协议。 技术核验重点包括 EEG 预处理、特征表示、分类算法、被试数量、数据划分、是否属于被试内或跨被试评估，以及基线、消融和统计分析；这些信息目前尚未验证。现有材料支持将其理解为动机状态 EEG 解码研究，不足以证明在线 BCI 控制能力或跨场景泛化效果。