通过多对抗策略推进脑机接口中的跨被试域泛化

基于摘要分析。本文研究 EEG BCI 在未见被试上的域泛化问题，提出多对抗策略方法 DGMA，利用其他被试的标注训练数据，降低系统对高质量被试特定 EEG 数据的依赖。核心思路不是始终压缩域间差异，而是先学习多样的被试特异特征，再平衡特征的跨域可迁移性与类别判别性。 方法包含三个模块：预特征提取（PFE）通过预处理、数据增强和切空间映射增强 EEG 信号的可分性；分布特征更新器（DFU）利用边缘最大均值差异（MMD）对齐被试间特征分布；多对抗训练（MAT）初期借助梯度反转层（GRL）放大域差异与分类损失，随后再最小化这些差异。上述阶段切换、损失符号与权重、各模块的具体实现尚未验证，不能仅凭摘要确定训练过程。 作者报告，在四个运动想象数据集上进行了验证，其中 BCI Competition IV 2a 的 Accuracy 为 76.1%，002-2014 的 Accuracy 为 72.4%，并称达到最先进水平；另外在私有疲劳数据集及 SEED 上报告的 Accuracy 分别为 99.5% 和 86.6%。研究以跨被试域泛化为目标，但摘要未给出各结果对应的被试划分、训练与测试数据使用方式、基线配置及统计不确定性，具体评估协议尚未验证；这些不同任务与数据集的数值不能直接比较。 复现价值主要在于检验“先增强域特异性、后促进域对齐”相对于仅最小化域差异的收益。可优先核对 PFE、DFU、MAT 的独立贡献，以及是否在不使用目标被试数据的条件下评估未见被试。摘要提供了代码仓库，但代码完整性、数据可获得性、实验协议、消融及统计信息尚未验证，私有疲劳数据的复现条件也需进一步确认。