T-TIME：面向即插即用 BCI 的测试时信息最大化集成方法

基于摘要分析。本文针对 EEG 个体差异与非平稳性导致 BCI 使用前需进行被试特定校准的问题，提出 Test-Time Information Maximization Ensemble（T-TIME），在新用户无标签 EEG 逐试次到达、需要即时分类的在线迁移学习场景中进行测试时自适应，以减少对校准的依赖。 方法先利用对齐后的源数据初始化多个分类器；每个无标签测试试次到达后，先通过集成学习输出预测，再以条件熵最小化和自适应边缘分布正则化更新各分类器。其关键区别是适应流式数据，而非假定能够预先取得新用户的全部无标签试次。摘要未给出对齐算法、分类器结构、正则项具体形式及更新所用数据范围，这些实现细节尚未验证。 作者报告，在三个公开运动想象 BCI 数据集上，T-TIME 优于约 20 种经典及当时先进的迁移学习方法。摘要未列出数据集名称、被试数、具体划分、指标或性能数值，因此尚不能量化优势，也不能直接与其他被试内、跨被试或跨会话协议下的结果比较。实验协议、消融及统计信息尚未验证。 复现时应核对源数据与新用户的划分、逐试次预测和更新顺序、集成规模、更新频率及计算延迟，并检验类别分布变化时自适应边缘分布正则化的表现。作者称代码已公开，但所给材料未提供代码地址。作者将其定位为首项面向免校准 EEG BCI 的测试时自适应工作；该优先性声明及即插即用效果仍需结合全文与相关研究核实。