脑机接口实验里，从预处理到解码再到交叉验证，步骤多、参数杂。Nimbus Studio 提供一个可视化平台，研究者可以在公开数据集或自己的记录上搭建流程，也支持自带 Python 模型类。平台给出的数字是否可信，是这类工具绕不开的问题。
这项验证研究选了六条标准解码流程，包括 CSP+LDA、黎曼 MDM、切空间逻辑回归、P300 xDAWN+LDA，以及 ShallowConvNet 和 EEGNet 两种深度模型。它们在三个公开数据集上跑两种协议：按被试的会话留出，以及合并的留一被试交叉验证。每条流程分别经平台执行引擎和基于 MNE-Python、scikit-learn、pyriemann、braindecode 手写的参考实现各跑一遍。
结果显示，确定性流程与参考实现完全一致，54 次会话留出被试运行和分组交叉验证折的最大差异为 0.00 分；其余分组交叉验证单元也吻合到浮点精度，最差约 0.06 分。随机性深度模型的差异落在种子间训练波动范围内。
对普通使用者来说，这类复现研究的意义不在新算法，而在于确认工具没有悄悄改变计算。当平台宣称能替代手写脚本时，有人愿意逐项核对，本身就是一种必要的谨慎。
评论