面向脑机接口无监督域适应的多视图对比学习

基于摘要分析。本文针对运动想象（MI）分类中 EEG 非平稳性导致的跨会话分布变化，提出 multiview adversarial contrastive network（MACNet），通过多视图表征学习与多层级域对齐改善无监督域适应。 方法在 Euclidean 与 Riemannian 两种视图中同时学习空间和时间特征，并引入 multilevel domain mix-up，在信号层和嵌入层增强域对齐。其值得核对的机制是：不同几何视图如何共同表征时空信息，以及两个层级的域混合如何配合对抗与对比学习。摘要未提供视图构建方式、网络结构、损失形式或训练流程，这些细节尚未验证。 在跨会话迁移学习评估背景下，作者报告 MACNet 在三个公开数据集上的 Accuracy 分别为：BCI Competition IV dataset 83.79%、OpenBMI 80.00%、SMR 85.83%，并报告优于此前方法。摘要未明确 BCI Competition IV 的具体子数据集，也未提供被试数量、会话划分、结果汇总方式、基线名单及目标域数据使用协议，因此这些数值只能作为各自数据集与原评估协议下的作者报告，不能直接跨数据集比较。 复现时需核对空间与时间特征分别如何进入两种视图、信号层与嵌入层混合的实现，以及无监督目标域适配的训练和测试边界。实验协议、消融及统计信息尚未验证；仅凭摘要尚不能判断双视图与多层级域混合各自的贡献或性能增益的稳定性。