EEG 序列是时间序列吗？使用时间序列模型与被试联合训练进行 EEG 分类

基于摘要分析。研究考察：经过领域特定预处理后，EEG 分类能否直接采用通用时间序列分类模型，以及能否用一个联合模型替代每位被试分别训练的模型。其主要贡献是系统比较通用时间序列模型与专用 EEG 分类模型，并将 subject embeddings 引入时间序列模型，实现多被试共享的被试条件化分类。 研究区分三种设置：被试特定模型，为各被试分别建模；被试无关模型，不以被试身份作为条件；被试条件化模型，在联合训练中利用被试嵌入提供个体条件信息。摘要未说明具体模型名称、嵌入如何与时序特征融合、训练损失或预处理流程，因此尚不能判断其性能收益来自哪些模块。 作者报告，在三个数据集上，按被试分别训练的现成时间序列分类模型性能接近专用 EEG 模型，但仍未完全达到领域特定建模的表现。作者报告，结合 subject embeddings、在所有被试上联合训练的条件化模型，在三个数据集中的两个上与专用 EEG 模型具有竞争力，并在其中一个数据集上超过所比较的全部 EEG 方法。摘要未提供数据集名称、分类任务、被试数量、指标数值及具体对照方法，不能据此量化提升幅度。 解释这些结果时，需区分多被试联合训练与对未见被试的泛化：使用所有被试联合训练并不自动意味着验证了 Cross-subject 泛化。复现前应核对训练与测试的被试及会话划分、被试嵌入在测试阶段的获取方式、各模型的预处理与调参条件，以及联合训练是否增加了可用训练数据。实验协议、消融及统计信息尚未验证。当前证据支持将该工作作为 EEG 模型架构与个体条件化策略的比较研究，尚不足以判断其对未见被试、Cross-session 或小样本场景的适用性。