迈向稳定的脑机接口：揭示并应对基于 EEG 的 BCI 中的预测波动

基于摘要分析。该研究针对 EEG-BCI 在连续时间窗上的预测波动问题，提出两项时间稳定性指标，以及结合稳定性驱动损失与课程学习的训练框架 TRin（Temporal Robustness integrated BCI）。作者报告，在三个公共数据集的实验中，TRin 在降低预测波动的同时提高了准确率；摘要未提供具体数值、数据集名称及评估划分。 研究对象是情绪识别、注意力检测和工作负荷评估等任务中的连续预测。作者指出，这些任务所涉及的认知状态通常缓慢变化，但深度学习模型可能在相邻窗口间产生不规则波动，影响神经反馈和心理健康应用中的反馈一致性。论文围绕跨数据集、跨任务及代表性模型的预测波动开展系统研究，但具体任务与数据集的对应关系尚未验证。 方法上，论文提出 Frequency-weighted Spectral Entropy（FSE，频率加权谱熵）和 First-Order Difference Standard Deviation（FDS，一阶差分标准差），用于衡量预测序列的时间不规则性；TRin 则将稳定性目标引入训练，并结合课程学习，而不只依赖预测后的处理。摘要未披露指标公式、损失形式、课程调度或模型实现，尚不能判断各组件对效果的独立贡献。 复现时需要核对窗口长度与步长、预测序列的构建方式、被试内或跨被试等划分协议，以及准确率与稳定性的权衡。尤其应检查：模型是否保留对真实状态变化的敏感性，以及与后处理方法比较时是否同时考察响应延迟。上述事项属于待核对问题，不能据摘要断言存在缺陷；实验协议、消融及统计信息尚未验证，材料也不足以确认实时部署或用户反馈收益。