面向可泛化运动想象 EEG 分类的噪声因子化解耦表征学习

基于摘要分析。本研究针对运动想象（MI）EEG 分类在训练与测试数据来自不同被试或会话时泛化能力不足的问题，提出噪声因子化解耦表征学习框架，将原始 EEG 的表征分为被试／会话特异成分、MI 任务特异成分和随机噪声三部分。 核心机制是联合判别与生成学习，并配合多项训练损失和训练策略来实现表征解耦。摘要明确将被试／会话特异特征与泛化能力提升联系起来，但未说明该成分如何参与训练或推理，也未给出三类成分的约束方式。因此，不能将其直接理解为简单丢弃被试／会话信息、仅保留任务特征的方法；具体损失、解耦约束及推理流程尚未验证。 作者报告，在三个公开 MI EEG 数据集上，该框架相较其采用的当前先进基准算法取得较大幅度的性能优势。摘要未提供数据集名称、被试数量、具体划分、指标或数值，也未明确分别采用哪些跨被试或跨会话评估协议，故目前不能量化提升幅度或判断不同场景下的稳定性。 复现时需核对三类成分的定义与可分离性、各损失及训练策略的贡献、测试阶段所需信息，以及对照方法是否使用一致的数据划分与预处理。实验协议、消融及统计信息尚未验证；代码与其他复现资源的可用性也尚未验证。