基于多变量经验小波变换框架的运动想象 EEG 信号解码：面向稳健的 BCI

基于摘要分析。研究针对运动想象（MI）EEG 解码中的噪声鲁棒性与计算负担问题，提出自动化多变量经验小波变换（MEWT）框架，将预处理、通道选择、子带对齐和特征筛选串联，用于不同 MI 任务的分类。 方法包含四个环节：采用多尺度主成分分析进行噪声抑制；提出自动通道选择策略，并比较三种通道组合选择策略；利用 MEWT 对齐子带，提取联合瞬时幅值与频率成分；通过基于相关性的特征选择降低特征复杂度和计算负担。作者称，将这一子带对齐方法用于 MI 是首次尝试；该优先性尚未独立核实。摘要未给出通道选择准则、子带构造细节及特征筛选阈值。 评估使用 BCI Competition III 的三个基准数据集，覆盖 subject-specific（被试内）与 subject-independent（跨被试）情形，但摘要未列出数据集编号、被试数量和具体划分。作者报告，在被试内情形下，三个数据集分别采用多层感知机、logistic model tree 和最小二乘支持向量机（LS-SVM）时，平均敏感度、特异度和分类 Accuracy 达到 98%；摘要未逐一展开数据集、分类器与各指标的对应结果。作者称，相较既有方法，分类 Accuracy 最高改善 23.50%，但该数值指相对增幅还是百分点差异尚未验证。 在跨被试情形下，作者报告三个数据集均采用 LS-SVM，平均敏感度、特异度和分类 Accuracy 分别为 93%、92.1% 和 91.4%，相较既有方法最高提升 18.14%；其提升口径同样尚未明确。作者还报告，小训练集的被试内情形及仅使用单个源被试的跨被试情形可达到 100% 分类 Accuracy，但具体样本规模、目标被试与评估设置尚未验证，不能外推为普遍性能。 复现时需核对预处理、通道选择及特征筛选是否限定在相应训练划分内，以及跨被试设置、基线配置、运行开销、消融和统计不确定性。摘要结果提供了传统信号处理与机器学习组合的研究线索，但尚不足以确认实际在线 BCI 的鲁棒性与计算效率。