基于同步自训练的无监督域适应：跨域运动想象识别

基于摘要分析。本文针对 EEG 运动想象解码中不同域的数据分布异质性，提出 Synchronized Self-Training Domain Adaptation（SSTDA），利用有标签源域信号与无标签目标域信号共同训练分类器，以学习具有判别性且跨域共享的表征。 机制上，特征提取器将原始 EEG 映射至潜在空间，并结合源域、目标域样本进行优化；目标域采用由易到难的自训练过程，推动形成域共享潜在空间。摘要未明确“同步”训练的具体更新机制、自训练样本的难度判定、伪标签筛选规则及损失函数，这些实现细节尚未验证。该方法依赖训练阶段可获取无标签目标域数据，属于无监督域适应，不能据此视为无需目标域数据的域泛化。 作者报告，在 Dataset IIa of BCI Competition IV 与 High Gamma dataset 的跨被试任务中，分类 Accuracy 分别为 64.43% 和 80.40%；同时报告跨会话任务优于现有方法，但摘要未提供对应数值或对照方法。作者还构建了一个六分类运动想象数据集，并报告不同数据集上的测试 Accuracy 为 77.09% 和 80.18%，但这两个数值对应的具体数据集、迁移方向及划分协议尚未明确。作者总体声称 SSTDA 在跨会话、跨被试和跨数据集验证中优于现有算法；该结论仍需结合完整协议与基线结果核对，不宜直接比较不同协议下的数值。 复现时需核对 EEG 预处理、源域与目标域划分、目标域适应样本与最终测试样本的关系，以及自训练调度与模型选择条件。新六分类数据集的被试构成、采集设置和开放情况，以及实验协议、消融及统计信息尚未验证。