将 BCI 模型从校准迁移至控制：观察 EEG 特征的变化

基于摘要分析。研究关注运动想象 BCI 从定时、离散的校准范式转入实际控制任务时，EEG 特征是否发生变化并影响模型泛化。作者提出包含标准校准会话与基于 EMG 的新型 BCI 控制会话的实验范式，比较两种情境下的神经信号特征，并测试校准数据训练的模型在驾驶控制数据上的预测能力。 特征分析涉及感觉运动节律与运动相关皮层电位。作者报告，校准与控制情境中的感觉运动节律存在相似性，控制范式还引入了额外的准备效应；运动相关皮层电位则在两类会话间呈现较大差异。这表明，校准到控制的迁移需要分别考察不同 EEG 特征，而不能仅根据定时运动想象任务中的分类表现判断控制任务的适用性。 模型方面，作者使用基于 CSP 的机器学习模型，在校准数据上训练，并在 BCI 控制的驾驶数据上预测。作者报告预测表现较好，但摘要未提供具体指标、数值或对照结果，因此无法量化迁移效果，也无法判断其是否达到实际控制需求。EMG 在控制范式中的具体作用、任务标签定义以及驾驶任务的实施方式尚未验证。 复现与评估需核对被试数量、会话组织、训练与测试划分、EEG 预处理、CSP 配置、后续分类器，以及准备效应和运动相关皮层电位的分析方法。该摘要支持将校准与控制情境差异作为泛化问题研究，但不支持进一步断言跨被试有效性或在线控制性能；实验协议、消融及统计信息尚未验证。