特徵選擇

選取特徵子集（通道、頻帶、時間點、成分）以降維、改善泛化、降低計算並輔助詮釋。方法分為過濾式（以單變量分數如互資訊、費雪分數、與標籤的 r^2 對特徵排序，與分類器無關）、包裹式（以交叉驗證的分類器表現搜尋子集——強大但昂貴且易洩漏）與嵌入式（選擇內建於訓練，如 L1／套索稀疏性，或 FBCSP 中的自動頻帶與 CSP 選擇）。

在 BCI 中，選擇既有幫助（通道少則設定快、較不過度擬合）也危及效度：任何參考標籤的選擇都必須在每個交叉驗證折內重做，否則所報告的準確率會因洩漏而灌水。所選集合在各折與各受試者間的穩定性本身即是有用的診斷——在重取樣下存活的特徵，比單折排序更值得信賴。