使用集成课程学习与协同训练的运动想象解码

基于摘要分析。本文研究多被试 EEG 中个体差异引起的域偏移及其对跨被试运动想象（MI）解码的影响，提出结合课程学习与协同训练的模型集成方法，旨在提高对未见被试的泛化能力。 核心机制是由多个特征提取器构成第一阶段、共享分类器构成第二阶段的两阶段架构，并通过两个新损失项端到端训练。“两阶段”指架构组成，不代表先后进行的两步训练流程。课程学习损失促使各特征提取器专门处理训练被试的不同子集，以促进特征多样性；集成内部蒸馏损失则支持集成模型之间的知识交换。其方法价值在于同时利用模型间的差异化与协作，而非仅增加集成规模。具体损失形式、被试子集分配规则、课程安排及蒸馏实现尚未验证。 作者报告，在 PhysioNet 和 OpenBMI 两个 MI 数据集上开展被试独立实验，并在 5-fold cross-validation 与 leave-one-subject-out 两种评估设置下优于所比较的全部方法，同时使用显著更少的可训练参数。摘要未提供具体指标、分数、参数量和对照方法名称，因此不能量化优势或直接比较两种协议的结果；尤其需核对五折划分如何保证被试独立，以及数据预处理、模型选择与测试被试隔离方式。 作者将该方法定位为缓解多被试 EEG 域偏移、推动免校准 BCI 的研究。跨被试评估结果不等同于已验证实际使用中的免校准能力，跨会话、在线运行及不同采集条件下的表现尚未验证。摘要提供了公开代码地址，可作为复现入口；代码完整性、运行环境、实验协议、消融及统计信息仍需结合全文与实现核对。