将 BCI 模型从校准迁移到控制：观察 EEG 特征的变化

基于摘要分析。该研究关注运动想象 BCI 在定时、离散校准范式与实际控制任务之间的 EEG 分布变化，提出包含标准校准会话和基于 EMG 的新型 BCI 控制会话的范式，并考察校准数据训练的模型能否迁移至驾驶控制数据。 作者指出，公开运动想象 BCI 数据集通常要求参与者按固定时间间隔执行运动想象，这类条件下训练的分类器未必能泛化到控制任务。研究比较两个会话中的感觉运动节律及运动相关皮层电位，作者报告观察到感觉运动节律的相似性，以及控制范式引入的额外准备效应；运动相关皮层电位在校准与控制会话间存在较大差异。这提示不同 EEG 特征对任务情境变化的敏感性可能不同，但摘要未提供差异的量化结果或统计依据。 模型方面，作者使用校准数据训练基于 CSP 的机器学习模型，并报告其在 BCI 控制驾驶数据上取得较好的预测表现。摘要没有提供具体指标、对照基线、被试数量、数据划分或被试对应关系，因此不能将这一描述等同于已验证的跨被试泛化，也无法判断性能优势的幅度。 复现时需核对 EMG 在控制范式中的具体作用、控制标签与事件时序的定义、CSP 特征提取及分类流程，以及校准与控制会话的训练测试划分。全文未取得，实验协议、消融及统计信息尚未验证；当前证据支持关注校准到控制的任务情境变化，但不足以确认该方法在其他在线 BCI 场景中的泛化效果。