基于邻域不确定性与多样性的颅内 EEG 分类主动无源域适应

基于摘要分析。该研究针对颅内 EEG（iEEG）分类中的跨患者域偏移，以及无源域适应（SFDA）缺少目标患者监督信息所带来的性能限制，提出基于邻域不确定性与多样性（NUD）的主动无源域适应（ASFDA）方法。其核心是仅迁移预训练源模型、不访问源患者数据，再从目标患者数据中选择少量样本交由专家标注，以辅助目标模型适应。 NUD 包含三项样本选择策略：邻域不确定性估计（NUE）优先选择高不确定性样本；邻域多样性保持（NDP）减少所选样本之间的相似性；多轮标注（MRA）旨在提高所选样本的代表性，帮助模型学习目标数据分布。其方法重点是目标样本的主动选择，而非仅依靠无标注目标数据完成适应。邻域如何构建、不确定性如何计算、各策略如何组合，以及模型适应的损失与更新流程，摘要未提供细节。 作者报告，在两个公开 iEEG 数据集及代表性模型上的实验中，NUD 的分类 Accuracy 超过 90%，并优于若干 SFDA 和 ASFDA 方法。摘要未给出数据集名称、分类任务、患者数量、跨患者划分方式、各实验对应分数或标注预算，因此该结果不能直接用于跨协议比较，也不足以判断专家标注成本与性能收益的具体关系。 复现与核验应重点关注目标患者标注比例、各方法是否采用相同预算、多轮选择与训练的流程，以及 NUE、NDP、MRA 的独立贡献；实验协议、消融及统计信息尚未验证。作者将其定位为兼顾隐私与低标注负担的方法，但不传输源患者数据并不自动构成严格隐私保证，具体保护边界仍需全文核对。该研究直接面向 iEEG 分类，摘要未说明其是否服务于在线 BCI 任务。