TASER：面向 BCI 因果 EEG 测试时自适应的试次感知偏移估计与重新中心化

基于摘要分析。该研究针对 EEG 解码中重叠窗口反复触发自适应、使单个异常试次过度影响适配器的问题，提出 TASER，将更新单位从窗口改为 BCI 采集单元：运动想象和 SSVEP 使用试次，ERP/P300 使用刺激组。核心贡献是以无目标标签的共享表征偏移估计，实现面向后续试次的因果测试时自适应。 机制上，冻结编码器将 EEG 映射到潜在空间，源域类别原型定义分类几何。TASER 先记录当前预测，再将当前采集单元的相关嵌入汇聚为一次观测，估计源域与目标域表征之间的共享偏移；窗口冗余程度和试次内离散程度共同决定更新强度。估计的偏移用于重新中心化类别原型，并作用于下一试次。摘要明确该过程不使用目标标签、伪标签、回放或反向传播，但偏移估计公式、冗余与离散度的计算方式及初始化条件尚未验证。 作者报告，在涵盖 13 个数据集、153 名参与者和四个编码器随机种子的评估中，TASER 的 dataset-balanced accuracy 为 70.00%，最接近的基线为 68.61%；该指标的具体聚合定义尚未验证，不应直接等同于类别平衡的 Balanced Accuracy。作者报告其在八个数据集排名第一、三个数据集排名第二，每次决策的在线延迟中位数为 1.25 ms，但基线名称、硬件和计时范围未在摘要中说明。对应消融中，改为每个窗口更新使准确率下降 5.29 个百分点，移除偏移机制使准确率下降 5.53 个百分点；作者还报告排名在三种时间分辨率下保持，但具体配置尚未验证。 复现时应重点核对采集单元边界、预测与更新的时间顺序、源域原型构建，以及不同任务下窗口汇聚规则。该方法依赖共享偏移能够描述目标表征变化，类别相关或非平移型变化是否影响效果仍待核对。数据集名称、被试内或跨被试等划分、完整消融与统计信息、代码可用性尚未验证，摘要结果不能直接外推至所有在线 BCI 场景。