FusionGen：基于特征融合的少样本 EEG 数据生成

基于摘要分析。该研究针对 EEG-based BCI 中数据稀缺及被试间差异限制解码模型泛化的问题，提出少样本 EEG 数据生成框架 FusionGen。其核心是结合解耦表征学习与跨试次特征融合，为有限数据条件下的 EEG 分类提供数据增强。 机制方面，FusionGen 使用 feature matching fusion module（特征匹配融合模块）整合不同试次的特征，并结合轻量级特征提取与重建流程。作者将这一设计用于兼顾生成数据的多样性与有限数据下的可训练性；但摘要未说明解耦的具体因素、特征匹配准则、融合方式、损失函数或生成样本的使用流程，这些实现细节尚未验证。 结果方面，作者报告在多个公开 EEG 数据集上的实验中，FusionGen 相比现有数据增强技术显著改善分类 Accuracy。摘要未提供数据集名称、任务、被试数、少样本规模、具体对照方法或数值，因此尚不能量化收益，也不能确认评估属于 Within-subject、Cross-subject 还是其他协议。研究动机涉及被试间差异，但不应据此认定其已验证跨被试泛化效果。 复现时需核对训练与测试划分、特征融合所用试次的来源、生成样本数量，以及不同增强方法的训练预算与分类器设置；还需验证解耦表征、特征匹配融合和重建流程各自的贡献，并查看多样性、信号保真度与分类收益之间的关系。实验协议、消融及统计信息尚未验证，代码与复现条件亦未由摘要确认。