降低计算复杂度的任务相关成分分析（TRCA）重构的实证验证

基于摘要分析。该研究针对任务相关成分分析（TRCA）在数据片段数量增加时交叉协方差求和计算成本快速增长的问题，实证验证一种减少矩阵乘法次数的等价重构。作者报告，该重构可将这一计算环节关于数据片段数 N 的复杂度由 O(N²) 降至 O(N)，且原始与重构算法的输出几乎完全一致，差异仅为浮点误差。 TRCA 是从多变量数据的多个片段中提取可重复成分的数据驱动方法；摘要指出，既有研究已显示其可增强神经影像数据的信噪比。本研究的主要贡献是计算效率优化与输出一致性验证，而非提出新的信号解码目标。其核心机制是减少交叉协方差矩阵求和所需的矩阵乘法，摘要未给出具体代数重构公式。上述复杂度结论针对该求和环节，不能直接扩展为整个 TRCA 流程或完整 BCI 系统的端到端加速幅度。 作者使用计算机生成的合成数据、fNIRS 数据和 EEG 数据开展仿真与实验比较，并改变数据片段数、维度和片段长度等规模条件，检验理论复杂度及两种实现的输出一致性。作者报告，在这些测试条件下观察到计算量降低与近乎一致的输出；摘要未提供具体运行时间、加速倍数、数据集名称、被试数量或解码指标，实验协议、消融及统计信息尚未验证。 复现重点是核对不同数据规模下的运行时间趋势、数值误差及其是否影响下游结果，同时记录硬件、数值精度和矩阵运算实现，避免将实现差异误判为算法收益。摘要提供了 TRCA-SSVEP 代码仓库入口，但仓库版本、论文对应实现及依赖环境尚未验证；也不能据仓库名称推断本研究采用了特定 SSVEP 评估协议。该结果支持关注 TRCA 的计算效率，不直接证明 BCI 解码性能提升。