一种用于 EEG 数据集精炼的新型对抗方法：通过决策边界邻近度评分增强泛化能力

基于摘要分析。本文针对 EEG 深度学习模型易受数据集中噪声样本影响、泛化能力受限的问题，提出利用决策边界邻近度评分 proximity-to-boundary score（PBS）的训练框架，持续衡量样本与决策边界的接近程度，并在训练中减弱噪声样本的影响。研究对象包括运动想象分类和睡眠分期，并非仅针对 BCI 任务。 方法依据是：作者认为噪声样本在模型训练后往往靠近决策边界，可借助基于梯度的对抗攻击识别；但此类直观方案需要额外超参数优化，存在准确性与效率之间的权衡。作者提出 PBS 以缓解这一问题，并称其框架无需额外超参数优化。摘要未给出 PBS 的计算公式、对抗扰动构造、样本影响的具体调节方式或训练目标，尚不能确定其属于样本加权、筛选还是其他实现。 作者报告，在两个运动想象数据集上，采用该框架后的性能提升范围为 1.43%–6.66%；在一个睡眠分期数据集上为 0.72%–2.85%。摘要未明确具体指标、比较基线、数据集名称及被试内、跨被试或跨会话等划分协议，也未说明这些百分数表示相对增幅还是百分点差值，因此不能将其直接解释为 Accuracy 的百分点提升，亦不能据此确认跨被试泛化效果。作者还报告，定性检查支持低 PBS 样本属于噪声样本并会损害模型训练。 复现时值得核对 PBS 对真实噪声与困难但有效样本的区分能力，以及性能收益是否伴随额外计算成本。具体实验协议、消融及统计信息尚未验证；模型架构、预处理、噪声判定依据与实现资源也需查阅全文确认。