面向脑机接口的置信度感知被试间迁移学习

基于摘要分析。该研究针对 EEG 被试间及被试内变异导致 BCI 反复校准的问题，提出置信度感知的被试间迁移学习框架：不默认使用所有源被试，而是筛选高置信度被试参与训练，以减少潜在负迁移。 核心机制是用深度神经网络结合基于 small-loss trick 的 co-teaching 算法，选择有用的源被试并排除噪声被试。作者指出，部分 BCI 范式先给出任务标签再采集“想象”数据，但标签所指的控制信号不一定实际存在，因此源被试数据可能对迁移产生负面影响。该框架把小损失样本作为筛选依据，但摘要未说明如何从样本损失汇总为被试级置信度，也未给出筛选阈值、模型结构或具体训练流程。 作者在 2020 international BCI competition track 4 和 OpenBMI dataset 上采用 leave-one-subject-out（留一被试）验证，报告选择含小损失样本的源被试能够改善 BCI 的跨被试泛化性能。摘要未提供具体指标、数值增益、对照基线或目标被试校准数据的使用方式，因此不能据此认定其实现了免校准，也不能量化其相对其他迁移方法的优势。 复现时需核对样本到被试的置信度聚合规则、源被试筛选与 co-teaching 的训练顺序，以及目标被试数据的使用范围；还需核对小损失是否可靠反映有效控制信号，而非仅反映样本易学程度。实验协议细节、消融及统计信息尚未验证。