用于脑电图分类的时间序列机器学习

基于摘要分析。该研究针对 EEG 片段分类中的高维性、数据变异及被试特异性问题，系统评估通用时间序列机器学习（TSML）方法，并提供包含 30 个基准数据集的 EEG 分类档案，覆盖临床诊断、认知与 BCI 任务。 评估比较了传统 EEG 方法、深度学习模型、基于黎曼几何的分类器，以及先进的通用时间序列机器学习算法。作者报告，在这一基准评估中，元集成方法 HIVE-COTE v2.0 持续优于其他分类器；摘要未给出具体指标、优势幅度或逐数据集结果，因此不能据此判断其在每类 EEG 任务上的收益，也不能将该结论直接等同于跨被试或跨会话泛化优势。 研究的主要价值是提供跨应用的 EEG 分类评估资源，并检验通用 TSML 方法相对 EEG 专用方法的竞争力。摘要未展开 HIVE-COTE v2.0 的内部机制，也未说明各方法的输入表示、预处理和调参方式。数据集名称、被试构成、被试内或跨被试等划分协议、评价指标、统计检验及计算成本尚未验证。 复现时应优先核对数据划分、预处理与调参协议，以及元集成方法的训练和推理开销；这些条件决定其报告的分类优势能否转化为具体 BCI 场景中的实用收益。数据档案的获取方式与实现条件仍需查阅全文确认。