无需用户专属训练的 SSVEP BCI 拼写器 DNN 集成迁移学习

基于摘要分析。本文针对 SSVEP BCI 拼写器依赖新用户 EEG 数据采集、模型训练与校准的问题，提出 Ensemble-DNN：利用历史被试数据训练并构建 DNN 集成，通过模型选择和加权预测识别新用户的目标字符，旨在免除用户专属训练。 方法先使用既有 EEG 实验数据集训练全局目标识别 DNN，再分别针对历史参与者微调，形成被试特定模型集合。面对新用户，依据历史参与者与新用户之间的统计相似性，选择最具代表性的 k 个 DNN，并对其预测结果加权组合。其核心是迁移已有被试模型，而非为新用户重新训练模型。摘要未说明统计相似性的定义、估计所需的新用户数据、k 的选择及权重计算方式，因此“无需用户专属训练”不应进一步解释为完全无需新用户数据。 作者报告，在 benchmark 和 BETA 两个数据集的新用户迁移评估中，方法分别达到 155.51 bits/min 和 114.64 bits/min 的 ITR；摘要未给出这两个数值各自对应的刺激时长、数据划分和 ITR 计算细节。作者还报告，在两个数据集上、刺激时长为 0.2–1.0 秒的所有评估条件下，该方法显著优于所比较的现有方法。具体对照方法、显著性检验及协议一致性尚未验证，不能将这些结果外推为任意实际部署条件下的性能。 作者提供了研究代码，可作为复现入口，但代码可运行性尚未验证。复现时应重点核对历史被试与新用户的划分、相似性估计是否依赖标签、模型选择与加权流程，以及 ITR 是否计入必要的操作时间。网络结构、训练损失、实验协议、消融及统计信息尚未验证；摘要所述日常部署潜力仍需实际使用场景验证。