通道反射：用于基于 EEG 的脑机接口的知识驱动数据增强

基于摘要分析。该研究针对 EEG-based BCI 中用户特定校准数据有限、纯数据驱动解码模型难以充分训练的问题，提出无参数的 channel reflection（CR，通道反射）数据增强方法，将不同 BCI 范式的通道分布先验纳入增强过程。 方法的核心是利用通道分布相关知识构造增强数据，而非仅依赖数据驱动学习。摘要明确称 CR 无参数，但未提供反射映射、通道对应关系、各范式的标签处理规则或增强样本生成细节，因此不能据此确定其具体实现，也不能推断其完全无需配置。 作者报告，在覆盖运动想象（MI）、稳态视觉诱发电位（SSVEP）、P300 和癫痫发作分类的八个公开 EEG 数据集上，使用不同解码算法进行实验，CR 能提高分类 Accuracy，相比文献中的已有数据增强方法表现更好，并可与其他增强方法结合进一步改善性能。摘要未给出数据集名称、被试数、校准数据量、具体基线或提升幅度，也未说明采用被试内、跨被试还是跨会话协议；癫痫发作分类应视为 EEG 分类验证任务，不宜直接等同于交互式 BCI 应用。 复现时应重点核对不同范式的通道先验如何定义、反射后标签语义是否保持、增强是否仅作用于训练集，以及不同校准数据量下的收益。实验协议、消融及统计信息尚未验证。作者表示代码已在线提供，但所给材料没有代码链接，具体实现与运行条件尚未验证。作者建议将 CR 这类增强作为 EEG-based BCI 的必要步骤；这一建议仍需结合完整实验及目标使用场景评估。