用于脑机接口迁移学习的黎曼几何实例筛选

基于摘要分析。该研究针对 EEG 被试间差异导致 BCI 分类器需要较长标注校准的问题，提出基于实例的迁移学习框架 Riemannian Geometric Instance Filtering（RGIF），通过筛选与目标被试相似的源被试数据辅助训练，旨在减少校准时间并保持分类准确率。 核心机制是构建基于黎曼几何的被试间相似度度量，比较目标被试的少量试次与源被试的充足试次，再利用高相似度源被试的试次训练目标被试分类模型。其方法重点在于迁移数据的选择，而非直接使用全部源数据。摘要未说明信号在黎曼空间中的具体表示、相似度公式、筛选粒度与阈值，也未给出分类器结构、损失函数或目标试次的标签使用方式，这些细节尚未验证。 作者报告，在两个开源 EEG 数据集上，RGIF 相较其他基线取得显著改进；相较使用全部源被试数据，训练时间至少减少一半，Accuracy 略有提高。摘要未提供数据集名称、任务、被试数、目标校准试次数、数据划分、基线名称、具体 Accuracy 或统计检验信息，故无法据此判断收益的绝对大小及其在不同协议下的稳定性。训练时间缩短也不能直接等同于目标被试的数据采集与校准时间缩短。 复现时需核对黎曼表示与相似度计算、源数据筛选规则、目标试次如何参与筛选和训练，以及全部源数据对照是否采用一致的分类器与计算环境。实验协议、消融及统计信息尚未验证；尤其需要区分源数据筛选带来的计算收益与减少目标标注需求带来的实际校准收益。