EEG 运动想象解码中的被试级异质性：大规模基准与基于管线组合的搜索空间缩减

基于摘要分析。该研究针对 EEG 运动想象解码中个体差异显著、统一管线难以适配不同用户的问题，建立标准化会话内基准，并利用被试级性能分布构建紧凑的候选管线组合，以缩小个性化搜索空间。 基准使用 MOABB 的 LeftRightImagery 设置，覆盖 Cho2017（52 名被试）、PhysionetMI（109 名被试）和 Zhou2016（4 名被试），比较 8–15 Hz 与 8–30 Hz 两个频段下特征提取、预处理和分类步骤的多种组合。作者报告共分析 216,714 条原始评估记录，结构化聚合后，三个数据集分别得到 44,928、109,000 和 4,192 条被试级观测；这些观测不是独立被试数量。 作者报告，协方差切空间投影（cov-tgsp）与 Common Spatial Patterns（CSP）是表现最强的方法家族，但排序依赖数据集。在该会话内基准中，Cho2017 上最佳家族平均 Accuracy 来自 8–30 Hz 的 cov-tgsp（0.712 ± 0.140），Zhou2016 则偏向 8–15 Hz 的 CSP（0.832 ± 0.121）；摘要未说明“±”对应的统计量。总体排名掩盖了个体差异：Cho2017 的 52 名被试对应 42 种获胜管线，PhysionetMI 的 109 名被试对应 93 种。 作者进一步比较按平均表现排序的 Top-K Mean 启发式与搜索式组合构建策略，并报告 Top-K Mean 的权衡最佳。按摘要中的 oracle retention 指标，单条全局最佳管线在 Cho2017 和 PhysionetMI 上分别保留 oracle 表现的 94.2% 和 81.8%；组合大小 K = 12 时分别升至 96.5% 和 90.0%。这些比例不是 Accuracy，oracle 的精确定义与计算方式尚待全文核对。 该研究的贡献在于用候选组合降低个性化搜索成本，而不是证明某条管线普遍最优。会话内结果不能直接视为跨被试或跨会话泛化证据。组合构建与评估是否使用独立数据、新用户如何选择组合内管线、实际校准成本，以及实验划分、消融和统计信息均尚未验证。