深度 BCI 的小資料困境

神經資料深度學習的關鍵限制在於：已標記試次很少——每位受試者通常只有數十到數千，受限於受試者能執行任務的時長——而深度網路卻資料飢渴。這造成一個持續且有充分文獻記載的現實檢驗：在許多 EEG 基準上，精簡架構（EEGNet、ShallowConvNet）與非深度流程（黎曼切空間加邏輯迴歸、收縮 LDA）與大型深度模型相當甚至更優，而深度學習的亮眼增益往往可追溯到跨受試者資料、擴增或預訓練，而非單純的模型容量。

實務啟示是：偏好強歸納偏置（頻率與空間分解）、大量正則化，以及避免洩漏的交叉驗證紀律，並在大型網路於留出受試者上與這些簡單基準對比之前，把其表面優勢視為未經證實。本領域當前的前沿——自監督與基礎模型——正是藉由引入未標記資料以逃離此困境的嘗試。