基于知识—数据融合的无源半监督域适应用于癫痫发作亚型分类

基于摘要分析。本文研究 EEG 癫痫发作亚型分类中的无源半监督域适应（SF-SSDA）：在无法访问源数据、目标域仅有少量标注数据时，将预训练模型适应到新数据集。作者提出 KDF-MutualSHOT，将特征驱动模型与数据驱动模型的互学习，以及目标域一致性伪标签筛选结合起来；研究对象是辅助临床诊断的 EEG 分类，而非直接验证 BCI 控制性能。 在源模型训练阶段，知识—数据融合模块 KDF 使用 Jensen-Shannon Divergence，促进基于 Decision Tree 的特征驱动模型与基于 Transformer 的数据驱动模型相互学习，以融合专家知识和原始 EEG 数据。摘要未说明专家知识的具体编码、输入特征、模型连接方式及完整损失构成，这些细节尚未验证。 在目标域适应阶段，MutualSHOT 使用基于一致性的伪标签选择策略。摘要没有交代一致性的计算对象、筛选阈值、少量真实标签与伪标签的联合使用方式，以及具体的分布对齐机制，因此不能进一步确定其训练流程。 作者报告，在公开 TUSZ 和 CHSZ 数据集的跨被试癫痫发作亚型分类实验中，KDF-MutualSHOT 优于所比较的监督学习和无源域适应方法。摘要未提供指标数值、对照方法名单、目标域标注比例、被试与样本划分，也未明确两个数据集之间是否构成跨数据集迁移，不能据此量化收益或混合比较不同协议。 复现时需核对专家特征构建、源模型预训练条件、目标域标注预算及伪标签筛选细节，并查看互学习与目标域适应各自的消融贡献。实验协议、消融及统计信息尚未验证；无源数据访问设定本身也不等同于形式化隐私保证。