用于多中心自闭症谱系障碍识别的低秩表示

基于摘要分析。该研究面向多中心自闭症谱系障碍（ASD）识别，提出多中心低秩表示学习方法 MCLRR，试图降低扫描参数、被试群体差异等因素造成的数据异质性。其主要研究对象是多中心疾病分类，而非 BCI 解码。 方法将一个中心设为目标域，其余中心设为源域，先为各源域学习域特定投影，将数据映射到中间表示空间；随后将投影矩阵分解为共享部分与稀疏特有部分，以进一步抑制中心间异质性。共享矩阵用于把目标域映射到公共潜在空间，再利用变换后的目标域数据线性表示源域数据，最终基于学习到的低秩表示使用 k-nearest neighbor（KNN）进行疾病分类。其方法重点是同时建模跨中心共享结构和中心特有差异，而不只是直接合并多中心样本。 作者报告，在 ABIDE 数据库上的分类结果优于所比较的方法，但摘要未给出具体指标、数值、对照方法、中心构成或数据划分。输入特征、目标域样本及标签的使用方式、投影与低秩约束的具体优化形式，以及实验协议、消融及统计信息尚未验证，需查阅全文后判断性能增益及适用范围。 平台推测（待验证）：其共享与特有结构分解机制可能对应 EEG 跨中心或跨被试的分布差异，但这一假设不等于已证实的 EEG/BCI 效果。迁移需先构建不同中心维度一致的 EEG 特征，并核对算法依赖的监督信息及目标域数据可用条件；可考虑复用共享—特有投影与低秩表示框架，但需调整特征表示和域划分。低信噪比、通道不一致及小样本可能使共享结构估计不稳定，个体差异也可能被误当作域噪声。一个可检验的小实验是在固定 EEG 跨被试划分和相同目标域数据使用条件下，比较完整分解、仅共享投影及直接 KNN，检验分解是否带来稳定收益。已有 EEG 相关工作尚未检索确认。