脑机接口评估的伪在线框架：MOABB 视角

目的：BCI（脑机接口）技术以三种模式运行：在线、离线与伪在线。在线模式下，实时 EEG 数据被持续分析。离线模式下，信号被采集后进行处理。伪在线模式将所采集数据当作实时接收般处理。主要区别在于离线模式常分析整体数据，而在线与伪在线模式仅分析短时间窗内的数据。离线分析通常使用异步 BCI 完成，其将分析限制在预定义时间窗内。与在线和伪在线模式兼容的异步 BCI 允许灵活的心理活动时长。离线处理往往更准确，而在线分析更适用于治疗应用。伪在线实现在无实时约束下近似在线处理。许多 BCI 研究为离线性质，相较于真实场景引入了偏差，影响分类算法性能。方法：因此，本研究的目的是扩展当前以离线模式运行的 MOABB 框架，以借助基于重叠滑动窗的技术，在伪在线设定下比较不同算法。为此，需要在数据集中引入一个空闲状态事件，以考量所有非任务思考的可能性。为验证算法性能，我们将使用归一化 Matthews 相关系数（nMCC）与信息传输率（ITR）。主要结果：我们分析了过去 15 年的前沿算法在多个由若干受试者组成的运动想象（MI）数据集上的表现，从统计角度展示了两种方法间的差异。意义：在离线与伪在线模式下分析不同算法性能的能力，将使 BCI 社区能够获得关于分类算法性能更准确且全面的报告。