面向个性化 BCI 的被试自适应元学习：融合静息态 EEG 信号与任务特定信息

基于摘要分析。该研究针对 EEG 运动想象（MI）分类中的被试间差异，以及采集目标被试任务特定（TS）EEG 数据耗时、费力的问题，提出利用静息态（RS）EEG 进行个性化适应的元学习框架。其核心贡献是尝试通过更易采集的 RS EEG 获取被试信息，使模型仅依赖目标被试的 RS EEG 完成适应，再用于该被试的 MI 分类。 框架包含两个迭代阶段：在被试特定训练阶段，将 RS EEG 与 TS 信息融合，在保留个体特征的同时，用融合信号适应目标被试；在元训练阶段，模型预测输入 TS EEG 对应的 MI 类别，并计算损失以更新元参数，支持快速的目标被试适应。摘要未说明 TS 信息的具体表示、来源及融合实现，也未给出适应步骤与损失形式。因此，“仅用目标被试 RS EEG 适应”应与训练阶段使用 TS 信息区分，不能理解为整个训练流程不需要任务数据。 作者报告，在两个编码器和三个基准数据集上，平均 Accuracy 提升为 10.05%；摘要未明确该数值是相对提升还是百分点差值，也未列出数据集名称、对照基线、数据划分及结果汇总方式，暂不能据此判断不同协议下的收益。作者还报告，可视化中融合 TS 信息后的 RS EEG 呈现与真实 TS EEG 相似的特征；这一观察支持其融合思路，但不能单独证明融合信号完整保留了任务判别信息。 复现时应优先核对训练与目标被试的划分、TS 信息是否来自目标被试、RS 采集条件与时长，以及适应阶段所需的标签和计算成本。还需核对不同被试与数据集上的收益分布，以及 RS 单独适应、融合适应和任务数据适应等对照。实验协议、消融及统计信息尚未验证。该方法直接面向 EEG/BCI，但减少采集负担的实际幅度及在线使用效果仍需全文证据确认。