用于多维 EEG 多路分析的贝叶斯张量分解

该研究针对多维 EEG 张量分解中噪声干扰及缺乏先验知识时的信息因子筛选问题，提出 Bayesian tensor factorization（BTF），通过估计潜在因子的后验分布并筛除冗余因子，支持脑状态的多路分析。基于摘要分析，未取得论文全文。 机制方面，摘要描述 BTF 对潜在因子采用非信息先验，并以指数族分布描述噪声；设计高维变分贝叶斯推断方法，迭代估计潜在因子的后验分布。随后，将元素取值较小的因子向量识别为冗余并过滤，从而实现秩约减。其具体先验、噪声分布、张量分解形式、筛除阈值及收敛条件尚未验证，不能据摘要确定其是否能自动选择最优秩。 作者报告，在合成张量实验中，BTF 处理混入强白噪声的 EEG 张量时优于传统对照方法，并能有效过滤无信息成分。摘要未提供噪声强度、对照方法名称或定量分解误差，因此这些结果仅支持作者所述实验范围，不能直接外推到真实 EEG 的其他噪声类型。 作者还报告，在两个真实 EEG 数据集上，将分解得到的多路特征与 MLP 网络结合，分别开展癫痫发作检测和睡眠阶段分类，平均 Accuracy 最高分别达到 99.52% 和 90.81%。摘要未说明数据集名称、被试数、类别分布、平均方式及训练测试划分，也未明确属于被试内、跨被试还是跨会话评估，故不能据此判断泛化能力或与其他协议下的结果直接比较。 复现时需核对张量各维度的构造、预处理、因子筛除规则、MLP 配置及评估划分，并区分分解质量改善与下游分类收益。实验协议、消融及统计信息尚未验证；所给证据涉及 EEG 分析任务，不构成在线 BCI 性能验证。