EEG 資料擴增

資料擴增藉由施加保留標籤的變換來合成額外的訓練樣本，是應對 BCI 小試次數的第一線對策。適用於 EEG 的變換包括加性雜訊、振幅縮放、時間平移與時間扭曲、通道丟棄、帶阻濾波（頻率遮罩）、傅立葉替代相位隨機化、試次間 mixup，以及具生理動機的做法如感測器配置的微幅旋轉。裁切訓練——每個試次抽取許多重疊子窗——是廣被使用的隱式擴增。

關鍵警語是：EEG 不具備自然影像那種近乎通用的不變性——左右翻轉在視覺中有意義，但在偏側化的運動想像任務中會改變類別，而過度的振幅或頻率擾動可能抹去正在被解碼的 ERD 或 SSVEP 特徵。有效的擴增必須尊重該範式已知的不變性，且其效益往往隨著已標記資料或自監督預訓練的增加而縮小。