使用图卷积变分自编码器从 EEG 中学习被试表征

基于摘要分析。该研究面向 EEG 被试身份识别，提出 GC-VASE，将图卷积变分自编码器与对比学习结合，通过分离潜空间学习被试特异性表征；另引入基于注意力的适配器，以降低模型适应未见被试时的微调开销。 技术上，图卷积承担 EEG 表征建模，变分自编码器与对比学习共同服务于潜在表征学习，分离潜空间针对被试识别任务设计。摘要未说明图的节点与边如何定义、潜空间如何划分、对比样本如何构造，以及各损失项和训练阶段的具体配置。作者称注意力适配器可减少适应新被试的计算成本，但可训练参数范围、适配所需数据及成本测量尚未验证。 作者报告，在被试身份识别任务中，GC-VASE 在 ERP-Core 和 SleepEDFx-20 上的被试 Balanced Accuracy 分别为 89.81% 和 70.85%；经过使用适配器和注意力层的被试自适应微调后，ERP-Core 上该指标达到 90.31%。摘要未交代训练与测试划分、未见被试的适配和评估流程，不能据此归类为标准 Cross-subject 或 Cross-session 结果。作者称优于其他深度学习方法并达到 SOTA，但具体基线、统计信息及比较条件尚未验证。作者还报告进行了组件消融，其设置与结论需查阅全文。 该工作的直接贡献是被试身份表征学习，而非运动想象、ERP 等 BCI 任务解码。被试特异性表征能否与任务相关信息分离、适配时是否依赖身份标签，以及身份特征是否影响跨被试任务泛化，均需核对全文；当前材料不足以支持其对 BCI 性能的直接改善。