用于支持独立成分标注的 EEG 数据集间卷积 Monge 映射

基于摘要分析。该研究针对 EEG 记录设备与采集环境差异可能影响独立成分（IC）分类器性能的问题，扩展 Convolutional Monge Mapping Normalization（CMMN），通过滤波实现数据集间的谱归一化，以支持脑源与非脑源 IC 的自动标注。 核心机制是将目标信号的频谱映射到源参考频谱，减少设备及环境噪声所带来的谱差异。摘要指出，原有 CMMN 曾用于改善深度神经网络的睡眠分期；本研究提出两种计算源参考频谱的替代方案：一是采用通道平均与 l1 归一化的重心，二是进行被试到被试映射，为目标被试寻找频谱最接近的源被试。扩展方法产生时空可分离滤波器，可用于 EEG 通道数不同的数据集之间的映射。摘要未说明具体重心计算、滤波器估计及其与独立成分分析流程的衔接细节。 作者报告，在 IC 分类任务中，这些滤波器显著改善了脑源与非脑源 IC 的识别。摘要未提供数据集名称、被试数、训练与测试划分、分类器、对照基线、评价指标、收益幅度或显著性检验细节，因此尚不能判断改善在何种跨数据集协议下成立，也不能将 IC 识别改善直接等同于伪迹去除质量或下游 BCI 解码性能提升。 复现时需核对两种参考谱方案的实现、谱估计设置、源与目标数据的使用边界、不同通道数条件下的滤波方式，以及分类器训练和评估流程。实验协议、消融及统计信息尚未验证，代码与完整复现条件亦尚未验证。