用于跨被试 EEG 分类的深度源域半监督迁移学习（DS3TL）

基于摘要分析。该研究针对 EEG-based BCI 中标注数据获取成本高的问题，提出 Deep Source Semi-Supervised Transfer Learning（DS3TL），联合利用源被试的少量已标注和大量未标注 EEG，以及目标被试的完全未标注 EEG，训练跨被试分类器。核心贡献是将源端半监督学习、弱监督对比学习与域适应结合，减少对新被试标注数据的依赖。 方法包含三个模块：混合半监督学习模块结合伪标签与一致性正则化；弱监督对比模块使用已标注数据的真实标签及未标注数据的伪标签进行对比学习；域适应模块通过不确定性降低来减小被试间差异。摘要未说明具体网络结构、损失形式、伪标签筛选规则及不确定性的计算方式，相关实现尚未验证。 作者报告，在三个涉及不同任务的 EEG 数据集上，DS3TL 优于使用更多标注训练数据的监督学习基线，也优于标注数量相同的多种先进半监督学习方法。这两类比较的标注预算不同，应分别解读；摘要未给出数据集名称、被试数、具体划分、指标及提升幅度，无法量化收益或判断各任务上的稳定性。作者称，据其所知，这是 EEG-based BCI 中首次利用未标注源数据提高目标分类器训练准确性的方案；该优先性声明尚未独立核实。 复现时应核对源与目标数据的使用边界、目标未标注数据是否同时参与适应与最终评估、各基线的标注预算，以及伪标签错误对对比学习和域适应的影响。这些属于待核对事项，不代表已发现协议问题。实验协议、消融及统计信息尚未验证，代码与复现条件也未在所给摘要中明确。