面向跨会话 BCI 的协方差感知数据增强：多数据集评估

基于摘要分析。该研究针对运动想象 EEG 的跨会话 BCI，考察协方差增强生成的矩阵即使满足正定性，是否仍能保留真实试次的变异并改善解码。核心贡献是联合评估协方差构造方式、分布保真度与分类器估计之间的关系，而非仅以矩阵合法性或准确率判断增强效果；所给来源为预印本。 作者比较了仅真实数据训练、环境空间加噪后正定投影、各向同性及类别依赖的对数空间噪声，以及同类样本的 log-Euclidean 插值。跨方法采用配对校准抽样，在四个含 3–60 个通道的运动想象 EEG 数据集上，评估了 83 名被试、每类 20 个校准试次的设置。作者报告，增强未能一致改善 Balanced Accuracy；log-Euclidean 插值相对仅真实数据基线的变化为 −0.25 至 −0.01 个百分点，并通过额外的 Holm 校正非劣效检验，其组均值非劣效界值为 −5 个百分点。通过该检验不等于增强带来收益或两者等效。 为检验接近中性的解码结果是否意味着变异得到保留，作者以未进入校准集的真实试次作分布参照。作者报告，插值样本仅保留参考类内散布的 62%–65%，且相对参照分布的能量距离大于重复真实试次，尽管其仍靠近校准集类别中心。匹配条件下的算术插值在两个数据集上造成更大准确率损失，另两个数据集上两种插值差异较小。 分类器估计方式也会改变结论。作者报告，在 BNCI2014_001、每类 30 个试次、增强比例为 3 的设置下，将固定岭正则 LDA 换为自动收缩 LDA 后，各向同性噪声相对各自仅真实数据基线的效果由 −7.35 变为 +0.10 个百分点；自动收缩设置下，log-Euclidean 插值和重复真实试次均损失约 1.9 个百分点。保持标签及增强数量匹配的合成实验还显示，在受控协方差旋转下，环境空间与对数空间噪声可获得相近收益。 这些结果支持将正定性、分布保真度和解码效用分别检验，并在比较增强方法时匹配分类器估计设置。具体跨会话划分、其余数据集名称、噪声参数、完整统计与消融信息及代码可用性尚未验证。