用于 EEG 独立成分自动标注的工具箱与众包平台

基于摘要分析。该研究针对 EEG 经独立成分分析（ICA）分解后仍需专家半自动判断、且专家间判断可能不一致的问题，提出独立成分自动标注工具箱与众包平台 ALICE，将专家知识积累、IC 数据库建设及监督式机器学习模型训练整合起来，服务于伪迹识别和特定脑活动成分提取。 平台以公开及内部 EEG 记录分解得到的 IC 为标注对象，供标注者结合 IC 时间序列、幅度地形图和功率谱分布进行视觉判断。作者提出由多名专家形成一致性标注的策略，但摘要未说明具体共识规则、分歧处理方式或标注一致性指标。与既有工具箱的区别，按作者描述，主要在于通过众包持续积累不同基准数据，并支持针对可用数据子集训练和重新训练监督模型，以适应特定任务；摘要以健康或自闭症儿童的运动伪迹检测为应用示例，并未提供该场景的验证结果。 作者报告，所提供的基线模型能够识别含噪 IC，以及与 alpha 和 mu-rhythm 等功能性脑振荡相关的成分。摘要未给出分类指标、样本规模、被试构成、数据划分或对照结果，因此不能据此判断其跨被试、跨数据集泛化能力，也不能将识别 IC 的能力直接等同于改善下游 BCI 性能。 作者说明工具箱及当前数据集开源并免费提供给研究社区。复现时需核对可用版本、标注类别与共识生成流程、ICA 及特征处理设置、模型训练配置和评估划分；实验协议、消融及统计信息尚未验证。