面向 BCI 的流形嵌入知识迁移

基于摘要分析。本文研究离线无监督跨被试 EEG 分类：源被试提供有标签 EEG 试次，目标被试仅提供无标签试次。作者提出 Manifold Embedded Knowledge Transfer（MEKT），通过协方差对齐、切空间特征提取和域适应，缓解源被试与目标被试之间的分布差异，并提出 Domain Transferability Estimation（DTE）以选择更有利于迁移的源域。 MEKT 首先在黎曼流形上对齐 EEG 试次的协方差矩阵，再提取切空间特征，随后通过最小化源域与目标域之间的联合概率分布偏移进行域适应，同时保留两域的几何结构。该方法支持单源或多源设置。其技术阅读重点是几何对齐与分布适应如何配合；摘要尚不足以确认具体目标函数、联合分布估计方式，以及目标域无标签信息的使用细节。 作者报告，在来自两种 BCI 范式的四个 EEG 数据集上，MEKT 优于若干当时的先进迁移学习方法；在源被试较多的条件下，DTE 能减少超过一半的计算成本，同时仅小幅牺牲分类 Accuracy。摘要未提供数据集名称、范式名称、被试数、划分、具体基线及 Accuracy 数值，不能据此量化优势或比较不同评估协议。 复现时需核对协方差估计与对齐过程、切空间映射、域适应优化及 DTE 源域选择准则，并明确离线设置下目标域无标签数据的可用范围。实验协议、消融及统计信息尚未验证；上述结果也不能直接外推为在线 BCI 或跨会话性能。