面向 P300 脑机接口的系统性深度学习模型选择

基于摘要分析。该研究面向 P300 事件相关电位解码，考察能否通过系统性模型选择与主流深度学习架构相结合，构建准确的 EEG 分类器，从而减少架构设计对领域知识的依赖。核心贡献是跨多个数据集比较不同复杂度的 CNN、LSTM 与 CNN-LSTM 混合模型，而非提出摘要中已明确描述的新网络机制。 技术路径：传统 BCI 分类通常先提取特征，再训练分类器；深度学习能够将特征提取整合到分类器训练中，但架构选择仍可能依赖领域知识。本文以系统性架构比较回应这一问题。作者报告，在 4 个数据集上评估了 58 种 CNN 结构、9 种 LSTM 结构和 80 种 CNN-LSTM 混合结构，分别形成 232、36 和 320 个模型评估组合。这些数字反映数据集与结构的组合数量，不代表被试数或独立重复实验次数。 结果与证据边界：作者报告，在 P300 波形分类中，所构建的预测模型能够优于当时部分或完全受领域知识启发的先进深度学习架构。摘要未提供具体数据集名称、对照模型名称、性能指标或提升幅度，也未说明采用被试内、跨被试或跨会话协议，因此不能据此判断优势适用于哪类泛化场景。 复现条件与待核对事项：摘要明确表示已公开源代码与构建的模型，但代码可运行性及其与论文实验的一致性尚未验证。复现时应核对 EEG 预处理、结构搜索空间、训练与验证划分、模型选择依据，以及不同架构和基线的调参预算；这些因素决定观察到的优势能否归因于系统性模型选择。实验协议、消融及统计信息尚未验证，摘要也不足以确认该方法对被试间或被试内信号变异的改善程度。