用于运动想象 BCI 的时间约束稀疏组空间模式

基于摘要分析。该研究针对运动想象（MI）EEG 分类中 Common spatial pattern（CSP）特征对频带与时间窗选择敏感的问题，提出 temporally constrained sparse group spatial pattern（TSGSP），通过联合优化频带和时间窗改善特征提取，而非仅优化频带、以启发式方式确定时间窗。 方法首先使用一组相互重叠的带通滤波频带，从原始 EEG 得到频带特异性信号，再以滑动窗口将各频带信号切分为多个子序列。在多任务学习框架下，方法对频带和时间窗进行带有时间平滑约束的联合稀疏优化，以提取 CSP 特征，最后使用线性支持向量机识别 MI 任务。其主要方法价值在于将频谱选择与时间定位纳入同一优化过程；稀疏分组方式、时间平滑约束的具体形式及优化求解过程仍需核对全文。 作者报告，在 BCI Competition III dataset IIIa、BCI Competition IV dataset IIa 和 BCI Competition IV dataset IIb 上，与若干竞争方法比较时，平均 Accuracy 分别为 88.5%、83.3% 和 84.3%。摘要未说明这些结果对应被试内、跨被试还是跨会话评估，也未给出数据划分、平均方式及具体对照方法，因此只能作为各数据集在作者所用协议下的报告结果，不能据此直接比较不同协议的优劣。 复现需核对频带范围与重叠设置、滑窗长度与步长、稀疏及平滑约束参数、CSP 特征配置、分类器调参和训练测试划分。实验协议、消融及统计信息尚未验证，尤其需要确认联合频带—时间窗选择和时间平滑约束各自贡献了多少性能增益。