模糊多变量变分模态分解及其在 EEG 分析中的应用

基于摘要分析。该研究针对多变量变分模态分解（MVMD）中的模态对齐信息提取问题，提出模糊多变量变分模态分解（FMVMD），通过模糊聚类捕捉更细致的跨通道对齐信息，并在 EEG 数据上开展验证。 方法上，FMVMD 使用改进的 fuzzy C-means（FCM），根据各通道内子模态对公共中心频率的贡献，将其归入模糊簇；随后将模糊聚类机制纳入 MVMD 的变分优化框架，并采用交替方向乘子法（ADMM）求解。其主要变化是以模糊归属关系参与模态对齐建模，而非仅沿用原有 MVMD 的对齐方式。具体目标函数、隶属度更新及收敛条件尚未验证。 作者报告，在分别使用两个和三个模糊簇时，FMVMD 的中心频率对齐性能相较 MVMD 提升 41% 和 28%；相较使用相同簇数的 GMVMD 提升 13%。在信噪比为 25 dB 的条件下，作者报告其抗噪性能在两个和三个模糊簇设置下相较 MVMD 分别提升 44% 和 24%，相较 GMVMD 提升 37%。这些数值是摘要所述性能的相对提升，不能解释为 EEG 分类 Accuracy 的提升或百分点变化；指标定义、计算方式及相应数据条件尚待全文核对。 作者还报告，双极导联与共平均参考形式的 EEG 验证均得到有利结果，但摘要未给出数据集、被试数、任务、划分协议或具体 EEG 指标，因此尚不能判断其对 BCI 解码或跨被试泛化的实际增益。复现需核对簇数与模态数选择、初始化及停止条件、参考方式处理、噪声构造和对照参数设置；实验协议、消融及统计信息尚未验证。