面向黎曼与欧氏 EEG 解码的个性化联邦学习

基于摘要分析。研究针对跨被试差异使单一共享 EEG 解码模型难以适配各被试的问题，将个性化联邦学习用于黎曼几何解码器 SPDNet，并以欧氏解码器 EEGNet 为对照，在不汇集各被试原始记录的条件下研究协同训练与个体适配。 方法将解码器拆分为构建潜在表示的主干和执行分类的分类头：各被试共同学习共享主干，同时保留各自的分类头。其核心是让共享部分学习可复用表示，并由私有分类头适应被试差异。作者将该方案适配到 SPDNet，与标准联邦学习及集中式训练比较，同时考察 EEGNet 的不同配置。摘要未说明 SPDNet 的具体适配操作、模型聚合方式及本地训练流程。 实验覆盖三个运动想象数据集，涉及不同通道数、被试数和类别数的条件。作者报告，个性化 SPDNet 的 Accuracy 高于标准联邦学习和集中式训练，且相较标准联邦学习，以更少通信轮次收敛、传输更少参数。作者还报告，个性化 SPDNet 在其中两个数据集上优于所有被比较的 EEGNet 配置；但在集中式训练条件下，EEGNet 优于 SPDNet。这些结果提示，模型在集中式训练下的相对表现不宜直接代替对其个性化联邦学习配置的评估，但不能据此认定黎曼方法普遍优于欧氏方法。 数据集名称、具体 Accuracy、被试内或跨被试评估方式、训练测试划分、私有分类头可使用的标注量、通信量统计口径及统计不确定性均未在摘要中给出。实验协议、消融及统计信息尚未验证；复现时需结合全文核对各配置的数据访问条件、训练预算及通信成本。原始数据不汇集是该训练框架的特点，不等同于摘要已验证隐私安全保证。