뇌파 (Electroencephalography, EEG)는 뇌-컴퓨터 인터페이스 (Brain-Computer Interfaces, BCIs)를 위한 지배적인 비침습적 양식(modality)이지만, 운동 상상 (motor imagery)의 신뢰할 수 있는 디코딩은 개인 간 및 개인 내 변동성으로 인해 어려움을 겪고 있습니다. 반복되는 주장은 하나의 디코딩 파이프라인, 대개 공간적 (spatial) 또는 리만 (Riemannian) 방법이 광범위하게 선호된다는 것입니다. 우리는 가장 유리한 조건 하에서 해당 주장의 가장 약한 버전을 테스트합니다. Mother of All BCI Benchmarks (MOABB) 프레임워크를 사용하여, 우리는 세 개의 공개된 좌우 운동 상상 데이터셋 (PhysionetMI, 109명; Cho2017, 52명; Zhou2016, 4명)과 두 개의 주파수 대역 (8-15 Hz, 8-30 Hz)에 걸쳐 1,056개의 디코딩 구성 (특징 추출기 x 스케일러 x 분류기) 및 340,000개 이상의 피험자 수준 모델 피팅 (model fits)을 평가했습니다. 모든 모델은 단일 참가자의 단일 세션 내에서 피팅 및 테스트되었으며, 이는 가장 쉬운 환경으로서 모든 파이프라인에 최선의 기회를 부여합니다. 우리는 다중 분류기 비교를 위한 통계 표준인 Friedman omnibus 테스트, Nemenyi 임계 차이 (critical-difference) 분석, 그리고 효과 크기(effect sizes)를 포함한 Wilcoxon 부호 순위 테스트 (Wilcoxon signed-rank tests)를 적용합니다. 공분산 접공간 투영 (Covariance tangent-space projection, cov-tgsp)과 공통 공간 패턴 (Common Spatial Patterns, CSP)이 가장 강력한 계열이지만, 이들의 순위는 데이터셋에 따라 달라지며, 가장 크고 이질적인 코호트 (PhysionetMI)에서는 통계적으로 구별할 수 없습니다 (Nemenyi p = 0.27; Kendall's W = 0.11). 개인 수준에서 단일 최적 파이프라인은 PhysionetMI 참가자의 35%에게만 최적이며, 비선형 기술자 (nonlinear descriptors)는 약 3분의 1에게 가장 적합합니다. 파이프라인을 참가자에게 맞추는 것은 최선의 고정된 선택보다 정확도를 약 7포인트 높여줍니다. 이러한 순위는 차원의 인위적인 결과가 아니며, 분류기 및 스케일러 선택은 특징 표현 (feature representation)보다 부차적입니다. 가장 쉬운 환경에서도 단일 파이프라인이 지배적이지 않습니다. 이는 개인화 문제의 하한선(lower bound)이며, 보편적인 디코더보다는 참가자 인지형 모델 선택 (participant-aware model selection)이 필요하다는 정량적인 근거를 제시합니다.