BCI 评估的伪在线框架：MOABB 视角

基于摘要分析。该研究关注离线 BCI 评估与实际连续使用场景之间的差异，提出扩展 MOABB，以重叠滑动窗口处理已采集的 EEG，并引入空闲状态事件，使运动想象（MI）算法能够在伪在线条件下接受比较。 核心机制是将已有数据按短时间窗口依次处理，模拟实时接收信号，而不是仅对预先确定的任务片段进行离线分类。摘要提出引入 idle state，以覆盖非任务思维状态；这一设置使评估不仅关注任务类别之间的区分，也涉及任务与非任务状态的区分。伪在线处理不承担真实在线系统的实时约束，因此不能直接等同于在线验证。 评估方面，作者采用 normalized Matthews Correlation Coefficient（nMCC）和 Information Transfer Rate（ITR）。作者报告，在多个包含多名被试的 MI 数据集上分析了过去 15 年的先进算法，并从统计角度展示离线与伪在线两种评估方式的差异。摘要未提供数据集名称、算法清单、被试数、指标数值或差异方向，因而不能据此判断哪些算法更适合连续使用，也不能量化离线评估与伪在线评估之间的性能差距。 复现时需核对滑动窗口长度与步长、空闲状态的标注规则、训练与测试划分、重叠窗口在划分中的处理方式，以及 nMCC 的归一化定义和 ITR 的时间计算口径。摘要对同步与异步 BCI 的表述存在需进一步核对之处，不宜据此建立二者与离线模式的固定对应关系。实验协议、消融及统计信息尚未验证，MOABB 扩展的实现与可获取性也尚未验证。该工作的主要价值是改进评估协议，而非已证实提高分类算法性能或真实在线 BCI 效果。