使用 EEG 设备对不完全时间锁定的图像 RSVP 事件进行分类

基于摘要分析。该研究针对图像快速序列视觉呈现（RSVP）中的 EEG 分类问题，将跨试次变化的神经响应潜伏期纳入统计模型，并结合似然比检验（LRT）进行分类；作者还提出，该模型可在刺激起始时间不精确时估计真实起始时间。 核心机制是放松神经响应与刺激完全时间锁定的假设。摘要指出，疲劳、环境干扰等因素可能使响应相对刺激起始时刻的潜伏期发生变化，而既有工作常为降低计算复杂度采用时间锁定假设。本文对潜伏期变化中的不确定性进行统计建模，再以 LRT 作出分类决策。潜伏期分布、信号模型、参数估计方式，以及起始时间估计与潜伏期建模如何区分，尚未验证。 作者报告，在一个图像 RSVP 实验的 EEG 数据集上，允许潜伏期变化的方法相较依赖完全时间锁定的方法，AUC 为 0.88 对 0.86；在刺激起始时间不精确的评估情境下，AUC 为 0.84 对 0.71。作者还报告，预测的刺激起始时间显著聚集于真实起始时间附近，p 值为 5.2 × 10^-44。该显著性结果不等同于时间估计误差大小，仍需核对误差分布及检验方法。 这些结果支持进一步核查潜伏期不确定性建模对 RSVP EEG 分类的作用，但摘要未明确被试数、通道配置、分类标签、被试内或跨被试划分、刺激时间不精确的构造方式，以及对照方法的具体实现。实验协议、消融及统计信息尚未验证；复现需取得上述细节，不能据现有 AUC 推断跨被试、跨会话表现或实际在线 BCI 效果。