用于跨头戴设备 EEG 分类的基于空间蒸馏的分布对齐（SDDA）

基于摘要分析。该研究针对不同 EEG 头戴设备因电极数量和位置差异而产生的异构迁移问题，提出 Spatial Distillation based Distribution Alignment（SDDA），将空间蒸馏与输入、特征和输出空间的分布对齐相结合，用于非侵入式 BCI 的跨设备分类。 机制上，SDDA 首先通过空间蒸馏利用完整电极集合，再通过三个空间的分布对齐处理源域与目标域之间的差异。这一设计同时面向电极配置不一致与域分布偏移，而非仅处理相同通道配置下的迁移。摘要未说明蒸馏的教师与学生结构、电极对应方式、各空间的对齐目标、损失形式及训练流程，具体实现尚未验证。作者称，据其所知，这是首次将知识蒸馏用于跨头戴设备迁移；该优先性声明尚未独立检索确认。 作者报告，在涵盖两种 BCI 范式的六个 EEG 数据集上，SDDA 在离线无监督域适应和在线有监督域适应两类场景中，均持续优于所比较的 10 种经典及先进迁移学习算法。摘要没有给出范式名称、数据集名称、被试数量、设备组合、指标或具体分数，因此不能量化优势，也不能将两类适应场景直接比较。 复现时需核对源域与目标域的设备和电极配置、是否同时涉及跨被试或跨会话变化、目标域标签可用范围、在线更新与评估时序，以及各基线的输入通道和监督条件。空间蒸馏与各空间对齐的独立贡献、实验划分、消融及统计信息尚未验证。