通过跨域迁移学习提升基于模板的 SSVEP 解码

基于摘要分析。该研究针对 SSVEP-based BCI 校准数据有限、不同会话、被试及 EEG 通道配置之间信号存在差异的问题，将基于 least-squares transformation（LST，最小二乘变换）的迁移学习引入模板式 SSVEP 解码，以利用已有跨域校准数据、降低新场景的校准需求。 核心机制是通过 LST 变换缓解跨域 SSVEP 差异，使其他域的校准数据能够用于目标域解码。摘要明确涉及 Cross-session、Cross-subject 及不同 EEG 通道配置的迁移，但没有给出变换的具体求解形式、源域与目标域数据的对应方式，或 LST 与模板及空间滤波模块的组合细节；这些内容尚未验证。 作者报告，LST-based 方法的 SSVEP 解码 Accuracy 显著高于标准 task-related component analysis（TRCA，任务相关成分分析）方法，以及不使用 LST 的朴素迁移学习方法；在校准数据有限时，相比标准 TRCA 也有显著改善。摘要未提供数据集、被试数、目标类别数、校准样本量、划分协议、具体 Accuracy 或显著性检验信息，因此无法量化收益，也不能直接比较不同迁移场景的效果。 其可核对的研究价值在于：不仅利用额外数据，还通过显式变换处理跨域差异，并以不使用 LST 的迁移方案作为对照。作者认为减少校准有望促进即插即用 SSVEP-based BCI，但这不等于已验证零校准或实际部署效果。复现前需核对目标域所需校准量、不同通道配置的对应规则、数据划分及各基线的数据使用条件；实验协议、消融及统计信息尚未验证。