AdaptICA：用于独立成分分析的数据自适应变换学习

基于摘要分析。本文研究信号与成像数据经过非线性预处理后，观测尺度可能不再保留线性混合结构、从而影响独立成分分析（ICA）的问题，提出 AdaptICA，联合学习分组的逐分量变换与解混结构。运动想象 EEG 的频带功率是摘要明确列举的动机场景，但摘要未明确具体应用是否包含 EEG，也未报告 BCI 分类结果。 方法以剖面化互信息准则（profiled mutual-information criterion）为依据，自适应选择变换结构，并将恒等变换纳入候选；不需要尺度调整时，可退化为标准 ICA。核心关注点不仅是变换选择，还包括变换参数与解混参数可能相互补偿所带来的可识别性及渐近估计问题。作者报告建立了可识别性、变换估计量的一致性与渐近正态性，以及变换和解混估计量的联合强一致性；具体假设条件与适用范围尚需全文核对。 作者报告，模拟实验支持理论结果，应用中在变换有益时可恢复更独立、可解释的源，在原始测量尺度适当时则保留标准 ICA。摘要未提供应用数据集、评价指标、样本规模或定量结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若运动想象 EEG 频带功率的非线性尺度确实妨碍 ICA 解混，AdaptICA 的变换选择与解混模块可能具有复用价值；但低信噪比、跨被试尺度差异及小样本下的估计不稳定可能限制收益。可在固定被试内划分下，对相同频带功率特征比较标准 ICA 与 AdaptICA，仅在训练集拟合变换和解混参数，再评估独立性及相同下游分类器的 Accuracy，以检验源独立性的改善是否伴随解码收益。相关 EEG 工作尚未检索确认，该实验建议不代表已有 BCI 有效性证据。