126. ERP 事件相关电位：指人体受到外部刺激（如声音、灯光、文字）后，大脑皮层产生的、与刺激时间严格锁定的诱发电位，它是脑电信号中与特定事件相关的部分，具有固定的潜伏期和波形特征，比如常见的P300电位，就是刺激出现后约300毫秒左右出现的正向电位，常用于认知相关的脑机接口研究。

127. SSVEP 稳态视觉诱发电位：一种由视觉闪烁刺激诱发的脑电响应，当被试注视特定频率闪烁的视觉刺激（如LED灯、屏幕闪烁）时，大脑会产生与闪烁频率相同或成倍数关系的脑电节律，这种节律稳定、易识别，无需被试主动进行运动想象，常用于快速拼写、设备控制等场景，是BCI研究中常用的范式之一。

128. BCI Competition IV 2a：国际脑机接口竞赛中公布的标准数据集，属于4类运动想象数据集，包含左手、右手、脚、舌四种运动想象任务的脑电数据，数据来自多个被试，采集规范、公开可获取，是全球科研人员用于对比脑电解码算法性能的常用基准数据集。

129. BCI Competition IV 2b：同样是国际脑机接口竞赛公布的标准数据集，与2a数据集不同，它只包含左手和右手两种运动想象任务的脑电数据，数据采集条件规范，专注于二分类运动想象解码研究，是验证二分类算法性能的常用基准。

130. 提示范式 Cue Paradigm：运动想象脑电实验中最常用的基础范式，实验过程中，屏幕会先呈现一个提示信号（如箭头、文字、灯光），提示被试接下来需要进行哪种运动想象（如左手动、右手动），被试看到提示后，再开始执行对应的运动想象任务，整个过程有明确的任务启动提示。

131. 间歇式范式：基于提示范式的一种延伸实验范式，核心是按照“提示—想象—休息”的固定循环开展实验，即屏幕给出提示后，被试进行规定时间的运动想象，想象结束后进入短暂的休息阶段，休息结束后再给出下一个提示，循环往复，既能保证被试精力集中，也能采集到稳定的脑电数据。

132. 连续流式范式：一种无间隔的运动想象实验范式，实验过程中没有明确的休息阶段，也没有固定的提示间隔，被试需要持续、无间断地进行运动想象（如交替想象左手和右手运动），这种范式更贴近实际应用场景，但对被试的注意力和耐力要求较高，采集到的信号稳定性相对较差。

133. 异步 BCI：不依赖固定提示信号的脑机接口模式，被试无需等待屏幕提示，可根据自身需求，自发、随时发起运动想象，系统实时监测脑电信号，识别出被试的想象意图并执行对应的指令，这种模式更灵活，适合日常生活中的实际应用，比如残疾人自主控制轮椅。

134. 同步 BCI：与异步BCI相对，是严格按照提示时序进行运动想象的脑机接口模式，被试必须在屏幕给出提示信号后，按照规定的时间窗口执行运动想象任务，系统只在提示对应的时间窗口内分析脑电信号，这种模式信号稳定性高、解码精度高，是科研实验中最常用的模式。

135. 负运动想象：一种用于控制对比的运动想象范式，核心是让被试想象“不执行”某一特定动作，比如提示被试“不要想象左手动”，此时被试的大脑活动与主动想象动作时的活动存在差异，将这种想象作为控制条件，能有效区分“有想象”和“无想象”的脑电特征，提升解码的准确性。

136. 认知想象范式：不同于运动想象的实验范式，被试不需要想象肢体运动，而是想象数字、文字、场景、声音等非运动类任务，比如想象数字“1”、想象海边场景，这种范式主要用于研究大脑认知功能（如记忆、注意力）的脑电特征，也可用于认知障碍人群的BCI研究。

137. 跨模态 BCI：融合多种生物信号进行解码的脑机接口模式，不再单一依赖EEG（脑电）信号，而是结合fNIRS（近红外脑功能成像）、眼动信号、肌电信号等多种信号，利用不同信号的优势（如EEG反映快速神经活动，fNIRS反映脑区血氧变化），提升解码精度和系统稳定性，适用于复杂场景的应用。

138. 训练集 / 验证集 / 测试集：脑电解码模型训练和评估过程中用到的三类数据集，三者用途不同、相互独立，训练集用于训练模型，让模型学习脑电信号与运动想象意图之间的对应关系；验证集用于调整模型参数，优化模型性能，避免过拟合；测试集用于最终评估模型的泛化能力，检验模型在未见过的数据上的解码效果。

139. 五折交叉验证 5-Fold CV：脑电解码模型评估的标准方式之一，核心是将整个数据集随机分成5个规模相近的子集，每次用其中4个子集作为训练集训练模型，用剩余1个子集作为测试集评估模型性能，重复5次，每次更换不同的测试子集，最终取5次评估结果的平均值作为模型的最终性能，能有效避免单次评估的偶然性。

140. LOSO 留一被试交叉验证：跨被试解码评估的金标准，全称是Leave-One-Subject-Out交叉验证，核心是每次只留下一个被试的所有数据作为测试集，用剩余所有被试的数据作为训练集训练模型，重复多次，直到每个被试都被作为测试集评估过一次，最终取所有评估结果的平均值，能最真实地反映模型的跨被试泛化能力。

141. 准确率 Accuracy：最基础、最常用的模型评估指标，指模型分类正确的样本数量，占所有测试样本数量的比例，准确率越高，说明模型的分类效果越好，但它无法区分类别不平衡情况下的分类性能，比如样本中某一类占比极高时，准确率可能会虚高。

142. 混淆矩阵：一种直观展示模型分类错误情况的表格，表格的行代表样本的真实类别，列代表模型的预测类别，表格中的每个数值表示某一真实类别被模型预测为另一类别的样本数量，通过混淆矩阵，能清晰看到模型在每一类样本上的错分情况，方便分析模型的薄弱环节。

143. F1 分数：兼顾模型精确率和召回率的综合评估指标，是精确率和召回率的调和平均数，取值范围在0-1之间，F1分数越高，说明模型的综合分类性能越好，能有效避免单一指标（如准确率）带来的片面性，尤其适合类别不平衡的场景。

144. Kappa 系数：一种消除随机猜测影响的权威评估指标，常用于脑机接口论文中，它通过计算模型的实际分类准确率与随机猜测准确率的差值，再除以“1-随机猜测准确率”，得到的系数越接近1，说明模型的分类性能越好，能有效避免因类别不平衡导致的准确率虚高问题，更具说服力。

145. ROC 曲线 & AUC：主要用于评估二分类脑电解码模型的区分能力，ROC曲线以假阳性率为横轴、真阳性率为纵轴，绘制出模型在不同阈值下的性能曲线；AUC是ROC曲线下的面积，取值范围在0.5-1之间，AUC越接近1，说明模型区分正、负两类样本的能力越强，AUC=0.5时，模型性能与随机猜测相当。

146. 灵敏度 Recall 召回率：也叫召回率，是评估模型识别正样本能力的指标，指模型正确识别出的正样本数量，占所有真实正样本数量的比例，灵敏度越高，说明模型越不容易遗漏正样本，比如在运动想象解码中，灵敏度高意味着模型能更准确地识别出被试的运动想象意图。

147. 特异度：与灵敏度相对，是评估模型区分负样本能力的指标，指模型正确识别出的负样本数量，占所有真实负样本数量的比例，特异度越高，说明模型越不容易将负样本误判为正样本，能有效减少误触发，提升系统的稳定性。

148. 宏平均 Macro-F1：多分类模型的综合评估指标，核心是先计算每一类样本的F1分数，然后对所有类别的F1分数取算术平均值，得到宏平均F1，它对每一类样本一视同仁，无论类别样本数量多少，权重相同，适合类别分布相对均衡的场景。

149. 微平均 Micro-F1：多分类模型的另一种综合评估指标，核心是先统计所有类别的总正确分类样本数、总预测正样本数、总真实正样本数，再根据这些总数计算F1分数，它更偏向于样本数量多的类别，样本数量越多的类别，对微平均F1的影响越大，适合类别不平衡的场景。

150. 消融实验：用于验证脑电解码模型中各个模块必要性的实验方法，核心是先训练一个包含所有模块的完整模型，然后逐个剔除模型中的某个模块（如特征提取模块、分类器模块），重新训练模型并评估性能，通过对比完整模型与剔除模块后模型的性能差异，判断被剔除模块的重要性，进而优化模型结构。

151. 统计显著性检验：用于证明模型性能提升并非随机偶然的统计方法，常用的有t检验、方差分析等，通过对不同模型的评估结果进行统计分析，计算P值，若P值小于0.05，说明模型之间的性能差异具有统计显著性，即模型的提升是真实有效的，而非随机波动，是论文中验证模型优越性的必备步骤。

152. 随机种子固定：保证脑电解码实验结果可复现的关键操作，在模型训练、数据集划分等过程中，会涉及到随机过程（如随机打乱样本顺序、随机初始化模型参数），固定随机种子后，每次运行实验的随机过程都会完全一致，从而确保不同时间、不同设备上运行实验，能得到相同的结果，便于他人复现实验。

153. 样本均衡性：脑电解码数据集中各类别样本数量的分布状态，指数据集中每一类试次（如左手想象、右手想象）的数量相近、比例均衡，样本均衡能避免模型偏向于样本数量多的类别，保证模型对每一类的分类性能都较好，是模型训练的理想数据状态。

154. 样本不均衡：与样本均衡性相反，指数据集中各类别试次的数量差异较大，比如左手想象试次有1000个，右手想象试次只有100个，这种情况下，模型会优先学习样本数量多的类别，导致对样本数量少的类别的分类性能较差，需要通过数据增强、重采样等方法解决。

155. 分层抽样：划分训练集、验证集、测试集时常用的抽样方法，核心是在抽样过程中，保持各类别样本的比例与原始数据集一致，比如原始数据中左手、右手想象试次比例为1:1，分层抽样后，训练集、验证集、测试集中的左手、右手试次比例也保持1:1，避免因抽样导致的样本不均衡问题。

156. 伦理审批：开展人体脑电实验的必备审核流程，由于脑电实验涉及人体被试，需要提前向学校或医院的伦理委员会提交实验方案，说明实验目的、实验流程、被试权益保护措施（如知情同意、隐私保护、无伤害），经伦理委员会审核通过后，才能开展实验，是保障被试权益的重要环节。

157. 私有自建数据集：由实验室自行采集、未公开的脑电数据集，通常是为了满足特定实验需求（如特定人群、特定运动想象任务），自行招募被试、采集数据，这类数据集不对外公开，仅用于本实验室的研究，数据的采集条件、任务设计更贴合自身研究需求。

158. 盲测数据集：用于公平竞赛或模型公平评估的无标签测试集，数据集只包含脑电数据，不包含对应的标签（如左手/右手想象），参赛者或研究者需用自己的模型对该数据集进行解码，提交预测结果后，由组织者核对预测标签与真实标签，计算评估指标，确保评估结果的公平性，常见于脑机接口竞赛中。

=================================作者声明==================================

个人整理，切勿抄袭，知识有限，求真辨别，共同学习，互相进步，持续更新，欢迎关注