用于生物信号学习的 Convolutional Monge Mapping Normalization

基于摘要分析。本文针对生物信号、尤其是 EEG 在不同被试、会话与硬件设备间的分布差异，提出 Convolutional Monge Mapping Normalization（CMMN）：通过滤波将信号的功率谱密度（PSD）适配至由训练数据估计的 Wasserstein 重心，从而在不重新训练预测模型的情况下适应新数据。 核心机制是基于最优传输映射与重心的闭式解进行频谱归一化。它将适应操作放在信号处理层，而非要求修改特定神经网络架构，并支持面向新数据的个体化测试时自适应。摘要未提供滤波器构造、PSD 估计方式、重心计算细节或测试时所需数据量，这些实现条件尚未验证。 作者报告，在睡眠 EEG 实验中，CMMN 在跨被试、跨会话及由不同硬件采集的跨数据集适应场景下，取得显著且一致的性能提升，且该提升不依赖所用神经网络架构。作者还报告，其增益与计算开销更大的域适应（DA）方法相当，并可与这些方法结合进一步改善性能。摘要未列出数据集名称、被试数、划分方式、指标数值、具体对照方法或统计检验，因此尚不能量化收益或判断不同协议之间的可比性；实验协议、消融及统计信息尚未验证。 复现时值得核对训练重心的估计范围、测试时频谱估计所用的数据窗口，以及归一化是否保留任务相关的频谱差异。平台推测（待验证）：该机制可能适用于部分以频谱分布变化为主要瓶颈的 EEG 解码任务，但睡眠 EEG 上的结果不等于已验证其他 BCI 任务的有效性；需特别检查低信噪比、短数据窗口和通道配置变化下的稳定性。