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 实验会话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，主要通过调整分类所用字典适应新测试数据，而不额外重训练分类器。 方法包括面向新测试数据的有监督与无监督字典更新，以及利用训练数据不相干性（incoherence）度量进行字典修改。其核心研究问题是：能否通过字典层面的适应改善分类性能，同时避免额外的分类器重训练计算。摘要未说明稀疏编码求解方式、字典样本的选择或替换规则，也未交代有监督更新所需标签的获得方式、无监督更新的具体依据及更新时机，这些机制尚需全文验证。 作者报告，在两个 BCI 实验数据集上，将所提方案与常规 SRC 及其他自适应分类方法比较，所提方案的分类准确率相对改善，且不需要额外计算。摘要未提供数据集名称、任务类型、被试数、被试内或跨被试等评估协议、准确率数值及统计信息，因此目前不能量化改善幅度，也不能判断其在跨会话或跨被试场景中的适用性。实验协议、消融及统计信息尚未验证。 复现时需核对字典初始化与更新流程、测试数据及标签的使用边界、不相干性度量的定义，以及各对照方法是否采用一致的数据划分和适应条件。计算效率方面，应区分“无需额外重训练”与字典更新、稀疏求解的实际运行开销；摘要中的效率结论尚不足以确定实时 BCI 使用时的总体延迟。