mixEEG：通过定制 mixup 增强用于跨被试 EEG 分类的 EEG 联邦学习

基于摘要分析。本文研究被试差异与数据共享限制下的跨被试 EEG 分类，提出联邦学习框架 mixEEG，通过针对 EEG 定制的 mixup 和未见被试平均数据共享，改善全局模型向目标被试的迁移。作者报告，在癫痫检测和情绪识别数据集上，该方法在不同数据集与模型架构中持续提升跨被试分类的迁移能力，但摘要未提供具体指标或增益数值。 机制上，联邦学习使分散客户端无需直接交换原始数据即可协同训练全局模型；mixEEG 进一步在域适应设置下共享未见被试的无标签平均数据，而非直接共享原始数据，并提供平均标签作为伪标签。摘要没有说明数据平均的维度与范围、mixup 的具体配对和混合方式、平均标签的来源及伪标签如何参与训练，这些实现细节尚未验证。 其研究价值在于把跨被试分布差异与联邦训练中的数据共享约束放在同一框架下处理。需要注意，该设置使用了目标未见被试的无标签平均数据，因此应按域适应协议理解，不能直接视为完全不接触目标被试数据的域泛化结果。作者称这是首次在联邦学习设置下研究跨被试 EEG 分类，该优先性主张尚未独立核实。 摘要称平均数据共享能够更好地保护隐私，但这不等同于已验证的形式化隐私保证；需结合全文核对威胁模型、共享信息及隐私评估。数据集名称、被试规模、客户端划分、目标数据使用范围、对照基线、消融及统计信息尚未验证。材料提供了代码仓库，但其可运行性、配置完整性与结果复现情况尚未验证。