通过信号预处理与深度学习实现稳健的被试独立 P300 波形分类

基于摘要分析。该研究针对 P300 BCI 通常需要用户特定校准的问题，提出结合 EEG 信号预处理与深度学习的被试独立分类框架；作者称该框架无需用户特定校准，并在三个数据集上评估了分类性能与计算效率。 方法上，作者考察了不同的试次平均方式和 EEG 电极配置，并比较三种深度学习架构与两种线性机器学习模型。作者报告，在其被试独立评估设置中，采用最多七次试次平均、八个特定电极通道及两层 CNN 的配置可获得稳健的 P300 分类表现。摘要未提供其他架构名称、具体通道位置、预处理完整流程或训练细节，尚不能确定各组件对最终收益的独立贡献。 结果方面，作者报告，在三个数据集及与三个 P300 基准分类框架的比较中，该方法的 AUC 增益超过 0.20；这一数值是 AUC 的绝对增量，不能改写为 Accuracy 提升或相对提升百分比。作者还报告，相较线性机器学习模型，训练速度提升超过 3 倍；相较基准方法，在线评估速度最高提升至 2 倍。各数据集名称、被试数、跨被试划分、具体基线及逐数据集结果未在摘要中给出，数值的适用范围与统计不确定性尚未验证。 复现时应优先核对训练与测试被试的隔离方式、电极选择及预处理参数的确定过程，以及试次平均的构造与决策单位。最多七次试次平均可能涉及信号稳定性与采集等待时间之间的权衡，因此计算推理加速不等同于端到端通信速度或 ITR 提升。硬件环境、计时口径、实验协议、消融及统计信息均尚未验证。该研究直接面向 EEG/P300 BCI，但摘要中的分类结果尚不足以确认其在实际在线通信中的表现。