从 EEG 清洗到解码：基于 MI 的 BCIs 中的仪器拒除作用
信号处理
2026-05-25 v2
摘要
Motor imagery (MI) BCIs 对 EEG 仪器极其敏感，但自动仪器拒除对下游 MI 解码性能的实际影响尚不明确。虽然大多数工作聚焦于解码器设计，但数据 curation，特别是自动化 rejection 策略的贡献，尽管对于稳健的机器学习管线至关重要，却受到较少关注。本文提出了快速自动仪器拒除 (Fast Automatic Artifact Rejection, FAAR) 方法，该方法计算一组仪器敏感的紧凑特征，推导 epoch 级别的 Signal Quality Index (SQI)，自适应选择 rejection 阈值，并在无需 prior knowledge 关于仪器类型或手动阈值调优的情况下自动拒绝受污染的 epoch。我们在 13 个公开可用的 MI 数据集上评估了 FAAR，并将其与 no-rejection baseline、AutoReject 和 Isolation Forest 进行比较。我们发现 rejection 效果在受试者和 regime 上高度依赖，低 baseline/low-SNR 条件中获得最大收益，因此应以自适应方式使用。FAAR 减少了受试者间的性能变异，这是 MI-BCI 可靠性和 BCI-illiteracy 的重要属性，且无需激进的数据移除。最后，FAAR 的轻量级和全自动阈值化处理 yield consistent rejection behavior across offline curation, training, and online filtering，并支持 real-time BCI 约束。
引用
@article{arxiv.2605.12408,
title = {From EEG Cleaning to Decoding: The Role of Artifact Rejection in MI-based BCIs},
author = {Davoud Hajhassani and Bruno Aristimunha and Paul-Adrien Graignic and Apolline Mellot and Lionel Kusch and Arnaud Delorme and Thomas Semah and Arnault H. Caillet},
journal= {arXiv preprint arXiv:2605.12408},
year = {2026}
}