Meta-MMD Fusion：提升跨被试运动想象分类

基于摘要分析。该研究针对 BCI 中运动想象（MI）分类的数据有限和新用户泛化困难，提出结合元学习与最大均值差异（MMD）的 Meta-MMD，用于零校准跨被试分类。核心贡献是在每个学习任务内减小支持集与查询集的分布差异，以改善特征对齐；作者报告该方法能够提升鲁棒性和泛化能力。 机制上，Meta-MMD 将分布对齐引入元学习任务，使模型不仅学习 MI 分类，还约束支持集与查询集之间的分布差异。摘要未给出元学习任务的具体构造、支持集与查询集的被试归属、MMD 的计算位置与核函数、损失权重，以及训练和推理流程，因此尚不能确定其零校准设置下是否使用目标被试的无标签数据。 作者在 BCI Competition IV-2a 和 BCI Competition IV-2b 两个公开数据集上，分别采用 EEGNet 与 DeepConvNet 作为骨干网络进行跨被试评估。作者报告：以 EEGNet 为骨干时，两个数据集上的 Accuracy 分别为 69.27% 和 79.22%；以 DeepConvNet 为骨干时，分别为 67.36% 和 78.17%。作者声称优于当前最先进方法，但摘要未提供具体基线及其结果，数据划分和评估细节亦尚未验证，不能据此量化相对增益或确认比较条件一致。 复现时应优先核对零校准的操作定义、被试级训练与测试划分、元学习任务采样方式及 MMD 配置，并检查元学习与 MMD 各自贡献的消融结果。预处理、统计信息、代码可用性及完整实验协议尚未验证。