多尺度幅度调制特征与 fuzzy C-means 在脑机接口中的应用

基于摘要分析。本研究针对 EEG 中左手手指抬起与静息状态的分类，提出结合离散小波变换（DWT）、幅度调制（AM）特征和 fuzzy C-means（FCM）聚类的识别方法。其主要贡献是将小波域 AM 特征与模糊聚类结合，用于 BCI 动作状态判别；摘要未将该任务描述为运动想象，不能据此归入 MI 分类。 技术流程为：先对 EEG 进行 DWT，再从变换后的数据中提取 AM 特征，最后利用 FCM 识别这些特征。标题强调多尺度特征，但摘要未提供尺度选择、小波基、AM 特征计算公式或特征维度。FCM 采用模糊隶属度表达样本与聚类的关系；本研究如何将聚类结果对应到动作类别、如何训练及推理，尚未验证。 作者报告，相较于频带功率特征、k-means 聚类和线性判别分析（LDA）分类器，该方法在 BCI 应用中取得令人满意的结果。摘要未给出具体指标、数值或各对照的组合设置，因此不能据此量化提升，也不能判断优势主要来自 AM 特征还是 FCM。 数据集、被试数量、记录通道、预处理、数据划分以及是否采用被试内、跨被试或跨会话评估均尚未验证；实验协议、消融及统计信息也尚未验证。复现前需核对特征提取参数、FCM 初始化与聚类设置、类别映射方式，以及各基线是否在一致的数据划分下评估。现有摘要支持将其理解为 EEG 二分类方法研究，但不足以确认在线 BCI 性能或跨被试泛化能力。