用于 EEG 分类的自适应多模型知识迁移矩阵机

基于摘要分析。该研究针对 EEG 被试间差异及目标被试标注数据不足的问题，提出自适应多模型知识迁移矩阵机（AMK-TMM），在利用 EEG 特征矩阵结构信息的同时，选择性迁移多个源被试的模型知识，以改善少量目标被试数据条件下的分类泛化能力。 核心方法分为两部分：首先，将最小二乘（LS）损失与谱弹性网正则化结合，构建最小二乘支持矩阵机（LS-SMM），直接对 EEG 特征矩阵建模。其出发点是利用矩阵行或列之间的结构信息，而非仅将特征视为无结构向量。其次，引入多模型适应方法，在可用的目标训练数据上采用留一交叉验证，自适应选择多个相关源模型的知识。摘要未给出正则项的具体数学形式、源模型相关性的计算方式及知识融合细节，这些内容尚未验证。 作者报告，在三个独立 EEG 数据集上进行了评估，并取得具有潜力的 EEG 分类表现。摘要未提供数据集名称、具体分类任务、被试数量、目标标注量、评价指标、数值结果或对照基线，因此尚不能量化迁移收益，也不能确定其属于何种 Cross-subject 或其他评估协议。 复现时需核对 EEG 特征矩阵的构造方式、源模型训练条件、目标数据上的留一交叉验证如何用于模型选择，以及独立测试集的划分和超参数选择流程。还需核对相较于不迁移的 LS-SMM、单源迁移及其他多源方案的收益，以及源被试不相关时是否出现负迁移。上述实验协议、消融及统计信息尚未验证，不能据摘要判断作者是否已完成这些分析。