用于运动意图跨域识别的关系特征比较网络

基于摘要分析。本文研究 EEG 运动意图识别中的跨被试、跨会话分布差异，提出 feature relation contrastive network（FRCN），通过分布对齐、源域选择和跨域关系比较，减轻域差异及负迁移对 BCI 解码的影响。 方法首先利用协方差矩阵对齐源域与目标域的数据分布，再使用预训练嵌入网络提取特征，并通过非线性变换对齐特征相关性。源域选择环节利用不同域的静息态数据衡量运动相关数据分布的相似性，选择适合的源域数据进行微调；其价值在于将静息态信息用于源域匹配，而非仅对所有源域统一训练，但具体相似性计算与微调对象尚未验证。 核心模块是基于度量学习的跨域关系对比模块（RCM）：同时学习不同特征层级上的多个非线性距离度量，以比较跨域样本之间的关系。作者提出，多抽象层级特征的联合匹配与相似性比较，可降低识别过程对嵌入网络生成线性可分特征的依赖。具体网络结构、损失形式、预训练数据及测试时匹配流程尚未验证。 作者报告，FRCN 在 BCI Competition IV II-a 和 II-b 上取得更好的结果，消融实验支持方法有效性。摘要未提供具体指标、数值、对照基线及被试划分，因此不能据此量化提升，也不能确认结果分别对应何种跨被试或跨会话协议。 复现时需重点核对目标域静息态数据的获取要求、对齐阶段使用的数据范围、源域选择规则及微调流程。摘要以无需额外录制训练数据的跨被试解码为研究动机，但同时涉及目标域对齐与静息态信息，不能直接解读为完全不需要目标域数据。实验协议、消融及统计信息尚未验证。