运动想象解码中的黎曼迁移学习：可复现性与标准化基准

基于摘要分析。该研究针对 EEG 运动想象（MI）BCI 中被试间信号差异大、新用户校准负担高，以及迁移学习方法缺乏统一评估协议的问题，提出覆盖跨会话（Cross-session）和跨被试（Cross-subject）场景的标准化评估协议，并提供方法的 Python 实现以支持复现。 研究重点是既有迁移学习技术的规范比较，而非摘要中明确提出的新解码模型。迁移学习利用已有被试的数据降低新用户的校准需求；标题将研究范围指向黎曼迁移学习，但摘要未说明具体算法、黎曼几何表示、对齐机制或目标函数，相关技术细节尚未验证。 作者报告开展了针对信号长度与预处理参数的消融研究，用于量化算法对信号及噪声变化的敏感性。此类分析可帮助区分迁移方法本身与输入窗口、预处理选择对结果的影响，但摘要未给出消融结果，不能据此判断哪种方法更稳健或校准成本降低多少。 复现时需核对数据集、被试与会话构成、训练和测试划分、目标被试校准数据及标签的使用方式、对照方法和指标定义，并分别解读跨会话与跨被试结果。摘要未提供性能数值、统计检验或具体代码获取信息；实验协议、消融及统计信息尚未验证，Python 实现的可获取性与运行条件也需进一步确认。