面向开放科学的最大规模 EEG-based BCI 可复现性研究：MOABB 基准

基于摘要分析。该研究针对 EEG-based BCI 文献中评估难以复现、方法难以公平比较的问题，在 MOABB 开放框架下重新实现并评估多类机器学习流水线，建立覆盖运动想象、P300 与 SSVEP 的可复现基准。标题中的“最大规模”为作者表述，当前材料不足以独立核实其范围。 评估范围：作者报告，在 36 个公开数据集上评估 30 条流水线，其中原始信号类 11 条、黎曼几何类 13 条、深度学习类 6 条；数据集按任务分为运动想象 14 个、P300 15 个、SSVEP 7 个。这些数量描述的是总体基准覆盖范围，不代表所有方法均适用于全部任务，也不能据此推断各数据集的被试数或训练样本规模。 技术与结果：研究采用统计元分析评估结果，并考虑执行时间与环境影响。作者报告，利用空间协方差矩阵的黎曼几何方法表现更优，深度学习方法需要较大的数据量才能获得有竞争力的结果。摘要未提供具体指标、效应量、任务分层结果或数据规模阈值，因此不能将这一结论扩展为所有 EEG 场景下的普遍排序，也不能据此确定深度学习所需的最低数据量。 复现价值与待核对事项：该工作的贡献主要是统一方法实现与比较框架，而非提出新的 EEG 解码算法。作者报告综合结果已公开，可作为后续研究选择对照方法的依据。具体数据集名称、预处理、超参数搜索、被试内或跨被试等评估协议、训练测试划分、统计检验及环境影响计量方式尚未验证；实验协议、消融及统计信息需结合全文核对后，才能判断性能差异的稳健性与适用边界。