用于自定步调 EEG 脑机接口设计的模式拒识策略

基于摘要分析。本文研究自定步调 EEG BCI 中的模式拒识问题，引入 rejection class（RC，拒识类）策略，以及基于自动多阈值学习算法、对可靠性函数设置阈值的 TRF 策略，并在运动想象数据上比较多种拒识策略与分类器组合。 机制与对照：RC 以拒识类作为拒识设计途径，TRF 则通过可靠性函数的阈值实现拒识。作者称，这两种策略此前尚未用于自定步调 BCI 设计。研究还将它们与专门的拒识分类器进行比较，以考察拒识机制与分类器选择对系统表现的影响。摘要未提供拒识类的构造方式、可靠性函数定义、阈值学习细节或训练流程，相关实现尚需全文核对。 结果：在摘要所述的运动想象数据比较中，作者报告非线性分类器获得了更好的自定步调 BCI 表现；拒识策略方面，RC 优于专门的拒识分类器，后者优于 TRF。作者报告，最佳结果来自 RC 与非线性分类器的组合，包括 Gaussian support vector machine、fuzzy inference system 或 radial basis function network。摘要未给出具体指标与数值，因此不能将其“效率”表述直接解释为 Accuracy 或 ITR 的提升。 复现边界：数据集、被试数量、被试内或跨被试划分、连续在线或离线评估方式，以及拒识性能的统计信息均尚未验证。复现时应重点核对拒识样本的定义、阈值或拒识类的学习流程，以及误触发与有效指令检出之间的权衡；现有摘要不足以判断这些组合在实际连续使用条件下的收益。