量化脑机接口中的事件相关（去）同步变异性：统一且可解释的框架

基于摘要分析。本研究针对运动想象 BCI 中被试内与跨被试 EEG 变异性难以解释和量化的问题，提出统一框架，分别衡量脑活动在时间、空间和频率维度上的变异性，并考察这些指标与分类性能的关系。 方法上，框架先提取 EEG 特征，再使用适当的距离函数，将变异性定义为特征围绕其质心的离散程度。其分析覆盖试次内、试次间和试次组间多个层级，旨在将不同维度与层级的变化转化为可解释指标。摘要未给出具体特征、距离函数、质心估计及各维度的计算方式，尚不能确认不同变异性指标的独立性如何实现。 作者报告，在两个运动想象 BCI 数据集、合计 133 名用户的被试内和跨被试分类实验中，大多数条件下变异性指标与 BCI 性能呈负相关，相关系数为 -0.2 至 -0.4，即较低变异性通常与较高性能相关。作者还报告，深度学习分类器的相关性弱于基于黎曼几何的分类器，并据此讨论不同模型对变异性的敏感性差异；这一观察不等同于深度学习分类准确率更高，也不能单独证明其鲁棒性更强。 该框架的价值主要在于为数据集变异性描述、分类器敏感性分析和用户反馈提供可解释量。作者进一步提出将变异性纳入目标函数等潜在用途，但摘要未提供这些用途的干预验证。数据集名称、分类性能指标、训练与测试划分、分类器配置、相关性统计方法、消融及统计信息尚未验证；复现时应核对指标计算范围及各实验协议。降低变异性是否能因果性地改善 BCI 性能，仍需进一步验证。