面向 EEG 运动想象识别的协同教学图学习

基于摘要分析。该研究针对 EEG 运动想象（MI）识别中个体差异与低信噪比导致的迁移困难，提出用于跨被试识别的 co-teaching 图学习方法，旨在平衡跨被试泛化与个性化适配。 方法包含两个环节：首先，从包含原始 EEG 信号的图结构中学习特征，以改善特征提取；其次，构建两个图学习模型，通过 co-teaching 训练策略筛选噪声数据，减少对不同被试噪声样本的过拟合。摘要未说明图节点与边的定义、图结构是否动态更新，以及噪声筛选准则、模型间信息交换方式和具体损失形式，这些机制尚需全文核对。 作者报告，相较于此前最佳方法，该模型在单被试和多被试四分类 MI 识别任务上的 Accuracy 分别提高 5.4% 和 3.2%。摘要未明确这些增益是相对百分比还是百分点，也未提供数据集、被试数、划分方式及对照方法名称，因此应保留原文表述，不能将单被试任务直接认定为被试内评估，也不能将多被试任务直接认定为严格跨被试测试。作者还报告，模型能够学习多个 MI 被试的通用知识，并可针对新被试高效微调，但微调所需数据量、计算成本及适配后的性能尚未验证。 复现时需要核对训练与测试被试的隔离方式、新被试微调所用标签和样本量，以及图学习、co-teaching 各自的贡献。实验协议、消融及统计信息尚未验证；当前摘要支持将其视为处理跨被试差异与噪声的候选方法，但不足以确认其在不同数据集或实际 BCI 场景中的有效性。