已完成
回答：跨频段耦合（如 θ-γ、α-β）反映不同神经节律间的功能交互，可表征更复杂的认知或运动状态。提取方法包括相位幅值耦合（PAC）、相锁值（PLV）跨频段版，将这些特征加入分类器可提升运动想象、注意...
已完成
回答：神经放电率受注意力、疲劳等因素影响会出现大幅波动，动态范围压缩（如对数变换或分位数归一化）可减小极端值影响，使特征分布更稳定，利于长期解码。该方法常与卡尔曼滤波或贝叶斯解码结合使用。...
已完成
回答：CRF 能对时间序列标签之间的依赖关系进行建模，在连续运动或状态序列解码中，可避免独立帧分类带来的不连贯问题。例如在解码连续运动方向时，CRF 可结合前一刻的运动状态约束当前解码结果，使轨迹更平...
已完成
回答：Deep ConvNet 通过多层卷积与池化操作，可自动学习 EEG 在空间（多通道）与时间维度的抽象特征，省去手工设计特征的步骤。典型结构包括针对时间维度的 1D 卷积层与针对通道维度的空间卷...
已完成
回答：GNN 将电极视作图的节点，通道间功能连接作为边，可显式利用 EEG 的空间拓扑结构进行特征学习与分类。在运动想象与情感识别任务中，GNN 能捕捉长距离依赖，提高空间特征的判别力。...
已完成
回答：增量学习算法可在系统运行过程中不断学习新数据并更新模型，无需重新训练整个数据集。适用于神经信号分布随时间缓慢变化的情况，但需控制模型复杂度防止灾难性遗忘。...
已完成
回答：PAC 可量化低频相位对高频振幅的调制关系，反映不同频段间的功能交互。在 BCI 中，PAC 特征可用于识别任务状态（如注意力集中时 θ-γ 耦合增强），为解码提供额外的神经动力学信息。...
已完成
回答：TCA 将源域与目标域的数据映射到共享特征空间，使两者分布尽可能接近，从而减少跨被试或跨会话的性能下降。该方法在 BCI 跨用户应用中可有效利用已有数据提升新用户性能。...
已完成
回答：TRSP 通过比较任务期与基线期的频谱功率差异，提取任务相关频段的能量变化特征。该方法直观且易于解释，可与 CSP 互补，提升多类运动想象的分类性能。...
已完成
回答：CSSP 是一种空间滤波方法，可最大化 EEG 信号与目标频率成分的相关性，抑制干扰频率，提高信噪比。在高速 SSVEP-BCI 中能显著提升目标识别准确率与 IT R。...
已完成
回答：贝叶斯方法通过不断更新类别先验与似然函数，适应 EEG 特征分布的缓慢变化。自适应机制可基于新数据在线调整模型参数，保持解码性能稳定，适合长期植入或连续使用系统。...
已完成
回答：常用 EEG 数据增强方法包括加高斯噪声、时间平移、幅度缩放、通道随机丢失、混合样本（Mixup）等。可扩充训练集多样性，缓解过拟合，尤其在小样本跨被试场景下效果明显。...
已完成
回答：通过设计闭环任务与实时反馈，促进大脑对电极阵列的空间表征进行重组，使神经信号更稳定地驱动解码器。长期训练可增强目标相关神经元群体的同步性与可辨性，但需避免任务单调导致适应饱和。...
已完成
回答：结合 EEG 与外周生理信号（如心率变异性、皮肤电导）可捕捉情感的神经与生理双重表现。融合策略包括特征层融合（拼接特征向量）、决策层融合（加权投票）及模型层融合（多输入网络），可显著提高情感 B...
已完成
回答：动态停止在累积一定数量的试次后实时评估分类置信度，一旦超过预设阈值即确认字符，从而减少平均刺激次数。该方法需设计可靠的置信度度量（如后验概率），并在速度与误识率之间取得平衡。...
已完成
回答：半监督学习利用少量有标签数据与大量无标签数据共同训练模型，常用方法包括自训练、生成式模型（如 VAE）、一致性正则化等。在 BCI 中，可缓解采集与标注成本高的问题，尤其适合个性化系统的冷启动阶...
已完成
回答：CCA 将 EEG 信号与参考正弦-余弦信号集进行相关性分析，找出与目标刺激频率最相关的成分，从而实现目标识别。该方法无需训练分类器，适合快速检测，但在多频或存在强干扰时性能会下降。...
已完成
回答：PLV 可量化不同通道 EEG 信号在特定频段相位差的稳定性，用于评估任务相关脑网络（如运动想象中的感觉运动网络同步性）。在 BCI 中，PLV 可作为补充特征或用于闭环神经反馈训练，提高网络协...
已完成
回答：通过设计高显著性、适度难度的任务（如新颖刺激、竞争任务）可增强受试者的专注度，提升 ERD/ERS 或 P300 的幅值与一致性。任务引导还可减少走神引起的噪声，提高信噪比，但需避免过度负荷导致...
已完成
回答：CRNN 结合 CNN 的空间特征提取能力与 RNN（或 LSTM/GRU）的时间序列建模能力，可同时捕获 EEG 的时空动态特征，适合连续运动解码或情感识别任务。关键在于合理设计卷积核尺寸与循...