免校准即插即用 EEG 脑机接口

基于摘要分析。研究针对 EEG BCI 依赖被试特定校准或目标数据批处理的问题，提出 Local Online Transfer Learning（LOTL），以单遍在线迁移学习支持免校准、即时响应的运行方式。其主要研究对象是运动想象与情绪分析中的 EEG 跨域建模，而非预训练基础模型。 机制上，LOTL 将每个被试视为一个域，针对样本的非线性分离问题，为各域构建一个全局超平面和多个局部超平面。在线处理时，新模型一方面受到与当前源域模型及目标域模型保持接近的约束，另一方面对最新样本施加间隔分离约束；通过减小更新前后源域与目标域全局、局部超平面的差异，实现模型更新与跨域迁移。摘要未明确在线更新是否需要目标样本标签，因此“免校准”不能直接等同于无监督测试时自适应。 作者报告，该方法对每个到达样本仅使用一次，不保存历史样本，并推导了模型更新的闭式解，提供错误次数界与收敛性分析。这些性质直接对应在线 BCI 的历史数据存储与持续更新需求，但具体计算开销和响应延迟尚未验证。 作者报告，在涵盖运动想象与情绪分析的四个 EEG 数据集及一个真实 BCI 系统上开展实验，结果支持方法有效性；摘要未提供数据集名称、被试规模、划分协议、对照方法或具体指标，无法据此量化其相对收益。应用结论限定于源域与目标域通道配置一致的条件，不宜外推至通道不一致场景。复现时需核对目标标签的使用时点、源模型构建方式、在线样本顺序及免校准的操作定义；实验协议、消融及统计信息尚未验证。