面向会话无关脑机接口的域泛化

基于摘要分析。该研究针对 EEG 被试间及被试内变异导致 BCI 反复校准的问题，从域泛化角度研究如何仅利用既往多被试、多会话数据训练分类模型，并直接应用于未见会话，实现零校准使用。 方法与评估：研究测试了四种深度学习模型和四种域泛化算法，采用留一会话验证评估 Cross-session 泛化，并比较使用被试特定数据进行微调的结果。其核心问题是训练所得模型能否适应未见会话，而非在每次使用时采集当前会话数据重新校准。摘要未提供模型与算法名称、EEG 任务、数据集、被试数及会话构成，留出会话与训练被试之间的关系尚未验证，因此不能进一步将结果归为 Cross-subject 泛化。 结果：在上述留一会话验证设置下，作者报告更深、更大的模型具有更好的跨会话泛化表现；所测试的显式域泛化算法均未优于经验风险最小化（ERM）。作者还报告，使用被试特定数据微调可能因会话间变异而降低未见会话的分类表现。摘要未给出具体指标、分数或统计不确定性，不能据此量化收益，也不能推广为所有域泛化算法或被试特定微调均无效。 阅读与复现重点：需核对会话划分、模型容量与训练条件、域的定义，以及微调数据所属会话和未见测试会话的关系，才能判断性能差异与会话变异之间的联系。实验协议、消融及统计信息尚未验证；复现所需的数据可用性、预处理、超参数和代码条件也需查阅全文确认。