面向 EEG 脑机接口应用的简单自适应稀疏表示分类方案

基于摘要分析。该研究针对 EEG 非平稳性导致 BCI 实验过程中分类性能下降的问题，提出简单的自适应稀疏表示分类（SRC）方案，核心是调整表示字典，以适应新测试数据，而不额外重新训练分类器。 方法包括针对新测试数据的有监督与无监督字典更新，以及利用训练数据的不相干性度量（incoherence measure）进行字典修改。其主要研究对象是 SRC 分类器的字典适应机制，而非新的 EEG 特征提取网络。摘要未说明字典构建方式、稀疏求解方法、不相干性度量的具体定义，以及各更新策略如何选择或替换字典元素，这些实现细节尚未验证。 作者在两个 BCI 实验数据集上，将所提方案与传统 SRC 及其他自适应分类方法进行比较。作者报告，自适应方案取得相对更高的分类准确率，且不需要额外的分类器重训练计算。摘要未提供数据集名称、任务类型、被试数量、被试内或跨被试等评估协议，也未给出准确率数值和计算开销测量，因此不能据此量化收益，或将“不需重训练”等同于完整适应流程没有计算成本。 复现时需核对有监督更新所需标签的来源与可用时机、无监督更新的决策依据、测试数据的更新顺序，以及各基线是否采用一致的数据划分与更新条件。还需核对字典修改是否有助于控制错误更新积累，以及低信噪比情况下的稳定性；这些是待验证事项，并非摘要已证实的局限。实验协议、消融及统计信息尚未验证。