动机状态的机器学习分类：来自感知与意象 EEG 分析的启示

基于摘要分析，当前材料仅提供研究 Highlights，未取得论文全文。该研究使用机器学习对感知与意象条件下的十二种不同动机状态进行 EEG 分类，旨在探究欲望与渴求的神经表征，并比较任务条件和电极配置对分类表现的影响。这里的 imagery 指意象，材料未说明其属于运动想象（MI）。 作者报告，在所研究的十二种动机状态分类任务中，感知条件的 Accuracy 高于意象条件，基本需求与躯体感觉相关状态呈现更清晰的神经特征。不过，材料未列出各状态的定义、诱发方式、具体 Accuracy、类别间差异或混淆模式，因此尚不能判断优势主要来自哪些类别，以及是否稳定存在于不同被试之间。 作者还报告，在研究所比较的 14 通道与 18 通道 EEG 配置中，更多电极带来小幅性能提升，但 Accuracy 增幅不大。具体电极位置、通道选择方式、数值差异及统计检验尚未验证，不能据此断言较少通道与较多通道等效，也不能推广为普遍的电极密度结论。 机器学习算法、EEG 预处理与特征提取流程、被试数量、训练测试划分，以及被试内或跨被试评估协议均未在材料中说明；实验协议、消融及统计信息尚未验证。复现前需核对动机状态标签如何建立、感知与意象条件是否采用可比的采集和评估流程，以及数据与实现是否可获得。现有材料支持其作为 EEG 动机状态识别研究的阅读对象，但尚不足以说明其可用于在线 BCI 控制。