通过 Dirichlet 特征投影与 GMM 驱动推理实现运动想象 EEG 解码的贝叶斯测试时自适应

基于摘要分析。该研究针对运动想象（MI）BCI 中跨被试、跨会话变异造成的 EEG 域偏移，提出贝叶斯测试时自适应框架 BTTA-DG，通过建模时序预测嵌入的分布，在推理阶段进行无梯度适应，以降低部署时微调的需求。 核心机制包含三个环节：首先，轻量级 SincAdaptNet 利用可学习滤波器提取任务相关频带；其次，Dirichlet feature projection 将时序嵌入映射到紧凑、可解释的参数空间，表征随时间变化的预测证据集中程度；最后，GMM 驱动的贝叶斯推理对这些 Dirichlet 参数的历史分布建模，并将历史证据与模型先验预测融合，校准目标域输出。摘要未给出投影公式、GMM 更新规则或证据融合的具体计算方式，不能据此确定其实现细节。 作者将该方法与两类已有 EEG 测试时自适应路线区分：依赖梯度微调的方法可能面临计算成本与灾难性遗忘，数据对齐方法则可能难以捕捉时序预测嵌入的分布变化。BTTA-DG 的主要方法贡献在于将适应对象转向预测证据的参数化分布，而非仅依赖参数微调或数据对齐；摘要所述无梯度特性针对适应阶段，不代表前期训练无需梯度。 作者报告，BTTA-DG 在实验中优于既有 EEG 测试时自适应方法，达到其所称的最先进 Accuracy，并具备实时运行速度；作者还报告，可视化支持所学滤波器的生理可解释性及 Dirichlet 特征空间的类别可分性。但摘要未提供数据集、被试数、具体 Accuracy、对照配置或计时条件，亦未明确各项结果对应的跨被试或跨会话划分，因此这些结论目前无法定量核对。 复现时需核对预训练与任务训练流程、目标域历史样本的使用范围及更新顺序、标签是否参与适应、GMM 初始化与更新策略，以及实时速度的硬件和批量设置。实验协议、消融及统计信息尚未验证，代码与模型权重的可用性也尚未确认。