EEG 序列是时间序列吗？使用时间序列模型与被试联合训练进行 EEG 分类

基于摘要分析。本文研究通用时间序列分类模型能否用于 EEG 分类，以及能否替代通常按被试分别训练的方式，通过一个联合模型处理多个被试。核心贡献是系统比较 EEG 专用模型与通用时间序列模型，并引入 subject embeddings 构建联合的 subject-conditional 分类器。 方法上，作者区分三种设置：subject-specific，即为每个被试训练独立模型；subject-agnostic，即不以被试身份为条件的模型；subject-conditional，即以被试信息为条件的模型。联合方案将时间序列模型与 subject embeddings 结合，在多个被试的数据上训练同一个分类器。摘要未说明 embeddings 的具体注入位置、网络结构、损失函数及推理时如何处理未见被试，这些细节尚未验证。 作者报告，在三个数据集的实验中，按被试分别训练的现成时间序列分类模型表现接近 EEG 专用模型，但仍未达到领域专用建模的性能。作者还报告，联合的 subject-conditional 模型在三个数据集中的两个上与 EEG 专用模型具有竞争力，并在其中一个数据集上超过所比较的全部 EEG 方法。摘要未提供数据集名称、分类任务、被试数量、评价指标或具体分数，因此这些结果仅能按上述实验背景理解，不能据此推断适用于所有 EEG 任务。 关键核对点是训练与测试是否包含相同被试、是否跨会话，以及被试身份在推理时是否可用。多被试联合训练不自动等同于 Cross-subject 泛化，也不能由摘要判断其对未见被试的有效性。复现需确认预处理、数据划分、基线配置、subject embeddings 的实现及新被试处理方式；实验协议、消融及统计信息尚未验证。