《Algorithms》：Cross-Paradigm Consistency of EEG Decoding Pipelines: A Six-Dataset LOSO Benchmark of Handcrafted, Raw-EEG, and Topomap-Sequence Approaches
编辑推荐：
脑电图（EEG）解码流程通常针对特定的脑机接口（BCI）范式和数据集进行定制，这使得数据集特定的峰值性能难以与共享设计下的一致性区分开来。研究人员考察了是否可以在不进行范式特定架构重新设计的情况下，将一种表示-架构流程——在每个数据集内单独训练——在运动想象（
脑电图（EEG）解码流程通常针对特定的脑机接口（BCI）范式和数据集进行定制，这使得数据集特定的峰值性能难以与共享设计下的一致性区分开来。研究人员考察了是否可以在不进行范式特定架构重新设计的情况下，将一种表示-架构流程——在每个数据集内单独训练——在运动想象（MI）、P300事件相关电位（ERP/P300）和稳态视觉诱发电位（SSVEP）任务中保持竞争力。评估在六个公共数据集上使用数据集内留一受试者（LOSO）交叉验证，比较了常见的手工特征家族、范式特定表示和专门经典方法、两个已建立的原始EEG神经参考（EEGNet和EEG Conformer），以及一个预设的拓扑图序列实现（TopoSeqNet）。TopoSeqNet作为共享拓扑图序列策略的核心实现，使得相同的表示构建规则和架构模板能够在所有三个范式中进行评估。在五个主要比较系列中，TopoSeqNet在两个数据集上排名第一，在四个数据集上排名第二。其等数据集平均机会校正平衡准确率为 ，而数据集选择的特定/经典参考为 ，EEG Conformer为 ，EEGNet为 ，数据集选择的通用参考为 。由于三个数据集条目共享OpenBMI采集框架，这些汇总为描述性结果；采集来源加权敏感性分析产生的相应值为 、、、 和 。总之，这些结果证明了完整TopoSeqNet流程在数据集内受试者泛化下的竞争性跨范式一致性，并为未来组件级、直接迁移、可解释性和部署效率研究建立了聚焦的基础。
脑电图（EEG）解码是脑机接口（BCI）的关键环节，但EEG信号具有低信噪比、非平稳性、个体间/会话间差异性以及空间-时间-频谱维度的复杂交互，解码可靠性不仅依赖学习算法，还依赖信号的表示方式。传统流程通常围绕特定范式的预期神经响应设计，例如运动想象（MI）采用公共空间模式（CSP）或滤波器组公共空间模式（FBCSP），P300事件相关电位（ERP/P300）采用xDAWN空间滤波，稳态视觉诱发电位（SSVEP）采用典型相关分析（CCA）或滤波器组典型相关分析（FBCCA）。这些方法在范式匹配时性能优异，但特征空间互不兼容，预处理选择各异，难以直接跨范式移植。此外，单数据集报告的性能可能无法反映同一流程在其他数据集上的行为，导致“数据集特异的高峰性能”与“共享设计下的一致性”难以区分。为此，研究人员将跨范式一致性作为独立科学标准，检验一个预设的表示-架构流程（TopoSeqNet）能否在不进行范式特定架构重设计的情况下，在MI、ERP/P300和SSVEP三种生理学上不同的任务中保持竞争力。
研究人员利用MOABB框架下的六个公共数据集（Lee2019_MI、Lee2019_ERP、Lee2019_SSVEP、Cho2017、BI2014a、Wang2016，其中前三个来自OpenBMI采集框架），采用数据集内留一受试者（LOSO）交叉验证，对常见手工特征家族与四个经典分类器进行因子化评估，并比较了范式特定表示、专门经典方法、两个原始EEG神经参考（EEGNet和EEG Conformer）以及预设的拓扑图序列流程（TopoSeqNet）。结果显示，TopoSeqNet在所有六个数据集条目上排名第一或第二，等数据集平均机会校正平衡准确率最高，平均排名最低，从而证明一个完整共享流程可以同时与专门经典方法和原始EEG神经参考竞争。
研究人员主要使用了以下关键方法：数据来自六个公共数据集，覆盖MI、ERP/P300、SSVEP三个范式；评价协议为受试者独立LOSO交叉验证。手工特征按范式无关方式统一计算，并与sLDA、线性SVM、RBF-SVM、XGBoost四类分类器组合。范式特定参考包括CSP/FBCSP、xDAWN、直接/特征CCA和FBCCA；神经参考包括EEGNet和EEG Conformer。TopoSeqNet将每个epoch转换为按20 ms间隔排序的头顶电压图序列，经含挤压激励块的CNN编码后由Transformer整合，输出epoch级分类概率；所有神经网络共享固定配置、优化器和早停规则。
**3.1 常规流程作为基准参考**：通过对六个数据集上所有常用手工特征-分类器组合的LOSO评估，发现数据集选择的最佳特征-分类器组合随数据集不同而变化，例如有的数据集选择Common_all与RBF-SVM，有的选择log-bandpower与RBF-SVM，有的选择时间统计与XGBoost等。这表明许多数据集层面的最优结果源于表示、分类器偏向与数据结构之间的匹配，而非方法本身的普适性。同时，FBCSP、xDAWN、FBCCA等任务匹配方法取得了强基准结果。
**3.2 与深度学习模型的比较**：在五个主要比较系列中，TopoSeqNet在两个数据集上排名第一，在四个数据集上排名第二。在Cho2017上其平均平衡准确率与FBCSP接近，在SSVEP数据集上接近直接FBCCA，并超过两个原始EEG神经参考；在BI2014a上虽低于EEGNet，但整体排名从未低于第二。
**3.3 跨数据集一致性**：由于数据集类别数不同（二类、四类、四十类），采用机会校正平衡准确率（chance-corrected balanced accuracy）进行跨数据集汇总。TopoSeq
