基于卷积神经网络域对抗训练的跨被试脑机接口

基于摘要分析。该研究针对注意力 EEG 解码中的个体间差异，提出端到端 BCI 框架 DA-TSnet，通过时间与空间一维卷积提取特征，并结合域对抗训练，旨在提高跨被试解码能力。 核心机制：DA-TSnet 由任务损失和域损失联合监督。摘要描述的训练目标是在最小化任务损失的同时最大化域损失，以兼顾注意力分类与对个体差异的抑制。这一机制意在使任务特征更难用于区分域；具体域标签定义、对抗优化实现、损失权重以及网络结构细节尚未验证。作者强调端到端框架不依赖复杂的预处理与人工特征提取，但实际输入处理流程仍需查阅全文。 评估与结果：作者在自采集的 85 名被试数据集上开展离线分析及模拟在线实验，并在 22 名被试上开展真实在线实验。作者报告，离线留一被试法（LOSO）交叉验证的分类 Accuracy 为 89.40% ± 9.96%，优于所比较的若干先进注意力 EEG 解码方法；模拟在线实验的 Accuracy 为 88.07% ± 11.22%；真实在线实验的平均 Accuracy 超过 86%。摘要未明确上述“±”的统计含义，三类评估的结果不宜直接视为同一协议下的性能比较。 技术价值与核对重点：研究将域对抗特征学习与 EEG 时空特征提取结合，并通过真实在线实验补充离线评估，为考察跨被试注意力解码的实际适用性提供了依据。注意力任务与类别定义、基线名称、训练及测试划分、在线校准方式、是否使用目标被试数据，以及消融和统计信息尚未验证。作者提出该框架可能有助于其他 EEG 解码问题，但这不等于已验证其在其他任务或跨会话、跨数据集条件下的有效性。复现需要进一步确认数据与代码可用性、采集配置及完整训练流程。