用于基于 EEG 的脑机接口的迁移学习：2016 年以来的进展综述

基于摘要分析。本文围绕 EEG-based BCI 中噪声、伪迹及被试间与被试内非平稳性导致的模型泛化困难，综述 2016 年以来利用迁移学习减少新被试、新会话、新设备或新任务校准需求的期刊研究。贡献主要是按应用范式与迁移设置整理文献，而非提出或验证一种新的 BCI 算法。 方法背景：EEG 信号分布随被试、会话、设备和任务变化，单一模式识别模型难以在不同条件下保持适用性；为新用户采集训练数据通常需要额外校准。文中所述迁移学习利用相关被试、会话、设备或任务的数据与知识，辅助目标条件下的学习。摘要未提供具体方法的机制、损失函数、监督需求或目标域数据使用方式，不能据此判断其是否支持无标签或免校准应用。 综述范围与组织：作者覆盖六类范式或应用，即运动想象、ERP、SSVEP、情感 BCI、回归问题及对抗攻击，并在每类中分别讨论跨被试／跨会话、跨设备与跨任务迁移。这一结构可用于区分迁移学习解决的分布变化来源，避免把某一范式或迁移设置下的结论直接推广到其他条件。 证据边界：摘要未列出具体数据集、被试规模、训练与测试划分、对照基线或量化结果，因此无法判断不同方法的相对性能及校准成本降幅。文献检索策略、纳入标准、实验协议、消融及统计信息尚未验证。作者表示在文末提出观察、结论及潜在研究方向，但摘要未展开其内容，需取得全文后再核对。