理解与控制源数据不可用的跨被试运动想象 EEG 解码中的批归一化统计量

基于摘要分析。本文研究跨被试运动想象 EEG 解码中，批归一化（BN）的运行均值与方差如何影响未见被试上的适应效果，并提出无标签风险门控，在目标统计量重校准与仅使用源模型推理之间进行选择，以控制负迁移风险。 机制分析方面，作者将一种代表性的源数据不可用测试时自适应（TTA）流程拆分为目标统计量重校准与仿射参数优化，通过四种严格匹配的条件及源统计量恢复干预，区分两者对适应收益的贡献。评估覆盖三个数据集和三种采用 BN 的骨干网络；摘要未给出数据集名称、骨干名称、被试数及具体划分细节。 作者报告，在上述跨被试评估中，仅重校准目标 BN 统计量便能在设置层面和匹配案例层面复现几乎全部组合适应收益；禁用目标统计量更新后，平均收益消失。在提供统计量恢复结果的六种设置中，恢复源统计量均使收益大幅消退。这些结果支持目标 BN 统计量是所评估流程中适应收益的重要来源，但不能据此推广至所有 EEG 解码器或 TTA 方法。 针对无条件重校准可能损害个别目标案例的问题，作者采用嵌套留一被试法（LOSO）校准风险门控，利用 23 项目标时诊断量选择是否执行重校准。作者报告，该门控在全部九种评估设置中降低了负迁移暴露，同时保留了比例因设置而异的无条件适应收益；摘要未提供具体收益、风险指标或统计不确定性。 复现时需核对四种条件的精确定义、BN 统计量更新方式、目标数据批次与可用范围、诊断量构成，以及嵌套 LOSO 中门控校准和目标被试评估的隔离方式。实验协议、消融及统计信息尚未验证。