面向异步 EEG 脑机接口的运动想象分类

基于摘要分析。本文研究异步 EEG BCI 中无显式触发信号的运动想象（MI）检测与分类问题，提出 sliding window prescreening and classification（SWPC）方法，将从静息态中筛出 MI 与识别 MI 任务分为两个模块，以区别于依赖固定长度 EEG 试次的解码方式。 核心机制是通过滑动窗口处理信号，由预筛选模块区分静息态与 MI，再由分类模块识别 MI 类别。两个模块均先进行监督学习，再进行自监督学习，以细化特征提取器。摘要未说明窗口长度、步长、网络结构、自监督目标或两个模块的具体衔接规则，这些实现与训练细节尚未验证。 作者报告，在四个 EEG 数据集的被试内（Within-subject）与跨被试（Cross-subject）异步 MI 分类评估中，SWPC 均取得最高平均分类准确率（Accuracy），并在每个数据集上比最佳现有先进基线高约 2%。摘要未明确该 2% 是相对提升还是绝对百分点差异，也未列出数据集名称、具体分数及各协议下的结果，因此不能进一步量化或跨协议比较。 阅读与复现时需核对异步任务的构造方式、静息态与 MI 的标注及比例、滑动窗口与数据划分的关系，以及预筛选错误如何影响最终分类。监督学习后接自监督学习的贡献，还需结合完整训练协议和消融结果判断。误触发率、漏检率、检测延迟及是否开展真实在线验证，摘要均未交代；这些信息尚未验证，不能仅凭分类准确率提升认定在线 BCI 控制性能已得到验证。全文中的被试数量、基线配置、统计信息及代码可用性同样尚未验证。