用于轻度认知障碍诊断的 EEG-based BCI 中的 AI：迷你综述

基于摘要分析。本文围绕轻度认知障碍（MCI）的 EEG 辅助诊断，概述传统机器学习与深度学习方法的近期进展，并讨论小数据集和 EEG 记录变异对临床应用的限制。其贡献是研究路线与挑战的梳理，而非提出或验证新的诊断模型。 方法方面，摘要列举了 support vector machines（SVM）与 K-nearest neighbors（KNN）等传统方法，指出这些方法依赖人工提取特征，处理复杂 EEG 信号时面临挑战。与之相比，convolutional neural networks（CNNs）、long short-term memory（LSTM）networks 和 transformers 被用于自动学习特征及捕捉 EEG 的时间、空间信息。作者认为这些深度学习路线具有潜力，但摘要未提供统一评估下的定量对照，不能据此认定其普遍优于传统方法。 应用层面，作者将 MCI 描述为常先于痴呆出现的状态，并强调 EEG 的非侵入性与成本优势。作者同时指出，数据规模有限及 EEG 记录的变异仍是临床应用障碍。虽然标题使用 EEG-based BCI，摘要明确讨论的主要任务是 MCI 诊断，未说明交互式 BCI 系统或在线闭环验证，不能将诊断研究等同于已验证的 BCI 应用。 摘要未提供综述检索范围、纳入标准、数据集、被试构成、诊断标签依据、数据划分或具体性能指标，因此无法比较被试内与跨被试表现，也无法评价临床泛化能力。综述覆盖程度、所引研究的实验协议、消融及统计信息尚未验证；阅读全文时应重点核对这些证据，而非仅依据模型类别判断诊断价值。