用于提升基于 EEG 的 BCI 鲁棒性与准确率的基于对齐的对抗训练（ABAT）

基于摘要分析。该研究针对 EEG BCI 中对抗防御可能降低干净样本分类准确率的问题，提出 Alignment-Based Adversarial Training（ABAT）：先对 EEG 数据进行对齐，再开展对抗训练，以兼顾分类准确率与对抗鲁棒性。 核心机制是通过数据对齐减少不同域之间 EEG 试次的分布差异，再利用对抗训练增强分类边界的鲁棒性。其方法贡献在于组合这两个环节，而非直接将其他领域的对抗防御方法用于 EEG。摘要未明确对齐算法、域的具体定义、对抗样本生成方式或训练损失，相关实现尚需正文核对。 作者报告，在覆盖运动想象分类与事件相关电位（ERP）识别两类 BCI 范式的五个 EEG 数据集上，使用 EEGNet、ShallowCNN 和 DeepCNN 三种卷积神经网络分类器，并在离线被试内跨区块／跨会话分类、在线跨会话分类及预训练分类器三类设置下验证了方法有效性。作者报告 ABAT 可同时改善准确率与鲁棒性，但摘要未提供具体数值、对照差异及不确定性，因此不能判断收益幅度或各设置下的一致性。 复现时需核对数据划分、对齐参数的估计范围、攻击类型与扰动预算，以及干净样本和受攻击样本的评估协议；尤其应在相同协议下比较单独对齐、单独对抗训练与 ABAT 的贡献。数据集名称、具体实验协议、消融及统计信息尚未验证。