用于单试次 EEG 分类的增强活动片段选择

基于摘要分析。该研究针对运动想象（MI）与手指抬起任务的单试次 EEG 分类，提出由增强活动片段选择、特征提取和分类组成的分析流程，核心贡献是在原有片段选择方法中加入二维各向异性 Gaussian 滤波，并利用改进分形维数提取多分辨率特征。 技术机制：研究使用来自感觉运动皮层的事件相关电位（ERP）数据。活动片段选择以连续小波变换（CWT）和 Student 两样本 t 统计为基础，再通过二维各向异性 Gaussian 滤波进一步细化选择；随后从小波数据中提取基于改进分形维数的多分辨率分形特征，最终使用支持向量机（SVM）分类。摘要未说明片段选择的阈值、滤波参数、分形维数的具体定义或 SVM 配置，相关实现细节尚未验证。 评估与结果：作者报告，在两个数据集的 MI 与手指抬起 EEG 数据上，与原始活动片段选择方法以及若干常用特征和分类器进行比较，结果提示所提方法具有应用潜力。摘要未提供数据集名称、被试数、被试内或跨被试协议、数据划分、具体指标及数值，因此无法判断提升幅度，也不能据此认定达到 SOTA；实验协议、消融及统计信息尚未验证。 复现核对重点：需要从全文确认 t 统计所需的监督信息、片段筛选与特征计算在训练和测试中的执行方式，以及增强筛选和改进分形特征各自的独立贡献。滤波尺度与 EEG 时频分辨率的关系也值得核对，以评估细化片段选择是否保留了任务相关的短暂变化；这些属于待核查事项，而非已证实的局限。