基于全面 EEG 信号分析的多人脑活动识别

基于摘要分析。该研究针对多人、多类别 EEG 脑活动识别中的低信噪比、伪迹干扰及人工特征工程负担，提出结合类别间与个体间信号特征分析、Autoencoder 原始信号精炼的识别方法。其主要研究对象是 EEG 脑活动识别；意图预测、设备控制和神经疾病诊断是摘要列举的应用背景，并非已验证的应用结果。 方法上，作者先分析类别间和个体间的 EEG 信号特征，以捕捉不同类别 EEG 数据的差异，再采用 Autoencoder 层自动精炼原始 EEG 信号，旨在消除多种伪迹、降低对专家特征工程的依赖。摘要未说明上述特征分析如何接入识别流程，也未提供 Autoencoder 的训练目标、伪迹监督方式、后续分类器或推理流程，因此尚不能确定其去伪迹能力如何被独立验证。 评估方面，作者报告在一个公开 EEG 数据集和一个本地 EEG 数据集上开展实验，并考察归一化方法、训练数据规模及 Autoencoder 隐藏神经元数量对识别结果的影响。作者报告其 Accuracy 优于所比较的具有竞争力的先进方法，但摘要未给出具体数值、数据集名称、被试人数、任务类别、基线名称及数据划分。尤其需要区分：多人数据上的识别不自动等同于 Cross-subject 泛化，是否测试未见被试尚未验证。 复现时需核对预处理与归一化的拟合范围、Autoencoder 训练所用数据、被试与会话划分，以及信号精炼前后的分类收益和伪迹指标。代码与数据可获取性、具体实验协议、消融及统计信息尚未验证；目前不能据摘要量化性能提升，也不能将结果扩展为实际 BCI 控制或临床诊断有效性的证据。