面向脑机接口的迁移学习：一种欧氏空间数据对齐方法

基于摘要分析。该研究针对 EEG BCI 中个体差异导致的新被试迁移困难，提出在欧氏空间直接对齐不同被试 EEG 试次的方法，目标是在尽量少用、甚至不使用被试特定数据的条件下改善学习表现。方法旨在提高被试间试次的相似性，并将对齐后的信号交给后续处理与分类流程。 技术机制方面，作者强调三点：直接对齐 EEG 试次，而非仅对齐某一特征表示；对齐后可继续使用信号处理、特征提取及机器学习算法；对齐过程为无监督，不需要新被试的标签，且计算开销较低。摘要未给出对齐变换、参考统计量及其估计方式，因此不能据此确定具体实现。尤其需要区分“不需要新被试标签”与“不需要新被试数据”：前者是摘要明确陈述的方法属性，后者是否在具体实验中实现尚未验证。 作者报告，在运动想象分类与 ERP 分类的离线及模拟在线实验中，该方法优于一种当时先进的黎曼空间数据对齐方法，以及若干未使用数据对齐的方法。摘要未提供数据集、被试数量、具体指标、数值、数据划分或目标被试数据使用量，因此尚不能量化收益，也不能将模拟在线结果等同于真实在线 BCI 验证。 复现时值得核对对齐统计量所需的数据范围、训练与测试阶段的处理边界、与后续分类器的组合方式，以及不同任务下的计算开销和性能稳定性。完整实验协议、消融及统计信息尚未验证。