快速序列视觉呈现多类别目标 EEG 分类的初步研究

基于摘要分析。该研究面向 RSVP-BCI 的快速图像检索，探索如何从单试次 EEG 中区分非目标与两类目标，将目标检测扩展为三分类任务。作者结合行为分析、ERP 分析和所提出的 MDCNet，考察多类别目标分类的可行性及任务难度的影响。 实验设计：作者设计了两个实验，每个实验包含两项难度不同的任务，共招募 30 名被试采集 EEG，并表示已公开数据。摘要未提供目标类别定义、刺激呈现参数、各实验被试分配及训练与测试划分，因此尚不能确定评估属于被试内、跨被试还是其他协议。 作者报告：包含非目标和两类目标的 RSVP-EEG 三分类具有可行性；同一任务中的不同目标诱发的 P300 潜伏期相同、幅值不同，且目标在 EEG 分类中的命中率与其 P300 幅值正相关；时间维度的信息对分类具有重要作用；任务越难，P300 潜伏期越长。这些结论涉及目标类别与任务难度两个因素，应分别理解，不能将幅值相关性直接解释为因果机制。 方法与证据边界：摘要仅给出 MDCNet 名称及分类用途，未说明网络结构、损失函数、训练流程或如何利用时间信息，相关技术细节尚未验证。摘要也未给出分类指标、具体数值、对照基线或统计检验，因而无法量化三分类的性能优势；研究动机涉及信息传输率，但未提供 ITR 提升的结果。 复现前需核对数据获取方式、预处理与分段规则、类别比例、任务难度操作定义、数据划分及 MDCNet 实现。实验协议、消融及统计信息尚未验证；现有摘要支持将其视为多类别 RSVP 的可行性探索，而非已证实具有跨被试泛化能力的系统。