FOIT：用于提升 EEG 情绪识别的快速在线实例迁移

基于摘要分析。该研究针对 EEG 情绪识别依赖大量标注训练样本、部分迭代式迁移方法耗时较高的问题，提出 Fast Online Instance Transfer（FOIT），通过利用历史会话及其他被试的数据，改善情感 BCI（aBCI）的泛化表现。 FOIT 的核心是启发式选择辅助样本，将其与目标训练数据合并后进行监督训练，再使用集成分类器预测测试试次。作者将其描述为避免耗时迭代的单次（one-shot）算法；这里的 one-shot 指算法执行流程，并不表示每类仅使用一个标注样本。摘要还称该流程允许灵活选择分类器，但样本选择准则、集成方式及在线更新过程尚未验证。 作者报告，在 SEED 三分类和 SEED-IV 四分类任务中，针对跨被试、跨会话及 cross-all 场景，FOIT 的 Accuracy 改善范围分别为 1%–8% 和 1%–14%。摘要未明确这些范围表示相对百分比还是绝对百分点，也未提供各场景、基线与具体数值的对应关系，因此不宜直接跨协议比较。作者另报告，在其机器上，相对基线的时间开销平均约为 35 秒，而达到相近准确率的迭代方法需要约 45–900 秒；具体硬件、计时范围与比较条件尚未验证。 该方法的阅读重点是实例级辅助数据选择能否降低无关历史样本带来的负迁移，以及非迭代流程的效率优势在不同目标标注量下是否成立。复现时需核对 cross-all 的定义、数据划分、目标标注预算、辅助样本可用范围、分类器与基线设置，以及消融和统计信息。摘要称代码已在线公开，但所给材料未提供代码地址或运行条件。