面向开放科学的最大规模基于EEG的BCI可重复性研究：MOABB基准

目的。本研究对公开的脑电图数据集进行了广泛的脑机接口（BCI）可重复性分析，旨在评估现有解决方案，并建立开放且可重复的基准，以便在该领域内进行有效比较。此类基准的需求源于快速的工业进展，催生了未公开的专有解决方案。此外，科学文献密集，通常包含难以复现的评估，使得现有方法之间的比较变得困难。方法。在一个开放框架内，30个机器学习管道（分为原始信号：11个，黎曼几何：13个，深度学习：6个）被精心重新实现，并在36个公开可用的数据集上进行评估，包括运动想象（14个）、P300（15个）和SSVEP（7个）。分析采用了统计元分析技术进行结果评估，包括执行时间和环境影响考虑。主要结果。该研究得出了适用于各种BCI范式的原则性且稳健的结果，特别强调了运动想象、P300和SSVEP。值得注意的是，利用空间协方差矩阵的黎曼几何方法表现出优越的性能，强调了需要大量数据才能用深度学习技术获得有竞争力的结果。全面的结果公开可访问，为未来研究进一步提高BCI领域的可重复性铺平了道路。意义。本研究的意义在于为BCI研究建立了一个严谨透明的基准，提供了对最优方法的见解，并强调了可重复性在推动该领域进步中的重要性。