通过对齐逆 Gram 矩阵实现跨被试运动想象分类的域适应框架

基于摘要分析。该研究针对 EEG 非平稳性导致的被试间分布差异，提出跨被试运动想象分类域适应框架 DAIG，通过对齐源域与目标域特征的逆 Gram 矩阵，缓解其他被试数据难以直接用于新被试解码的问题。 方法包括特征提取与逆 Gram 矩阵对齐模块。作者提出 EEGBiMamba，对一维 EEG 时间序列表征进行前向与后向建模，以捕获时间依赖；随后从角度和尺度两个方面对齐两域特征的逆 Gram 矩阵，旨在缩小特征分布差异。分类部分以 Kolmogorov-Arnold Network（KAN）替换 multilayer perceptron（MLP），生成用于分类的 M 维向量。摘要未给出 Gram 矩阵的具体构造、求逆与数值稳定化处理、对齐损失形式及各模块训练细节，其机制实现尚需核对正文。 作者报告，在 BCI IV IIa、BCI IV IIb 和实验室采集的 AMI_MD 数据集上，平均跨被试解码 Accuracy 分别为 68.58%、86.72% 和 81.65%；相对基线方法的提升分别记为 17.06%、13.6% 和 15.76%。摘要未明确这些提升是相对百分比还是百分点，也未列出对应基线，因此不能据此推算基线分数。具体被试划分、目标域数据及标签使用方式、预处理和统计信息尚未验证。 复现时值得重点核对逆 Gram 矩阵对齐、双向时序建模与 KAN 替换各自带来的增益，以及对齐效果对特征维度、样本规模和矩阵条件数的敏感性；这些属于待验证事项，并非已确认的缺陷。摘要所报告的跨被试结果不能直接外推为跨会话或在线 BCI 性能。