用于基于 EEG 的警觉度估计的对比式细粒度域适应网络

基于摘要分析。该研究针对 EEG 警觉度估计依赖大量特定被试标注数据的问题，提出 contrastive fine-grained domain adaptation network（CFGDAN），旨在利用少量无标签校准数据降低校准负担。研究对象是 BCI 使用过程中的警觉度状态估计，而非运动想象等控制指令解码。 方法包含三个主要机制：自适应图卷积网络（GCN）将不同域的 EEG 数据映射到共同空间；细粒度特征对齐机制在 EEG 通道层面对跨域特征分布进行加权与对齐；对比信息保留模块在对齐过程中保留有用的目标域特异信息。其可核对的技术重点是如何在缩小域间差异的同时，避免损失与目标域警觉度估计有关的信息。具体图构建方式、通道权重计算、对比学习目标及训练流程尚未验证。 作者在设计的 BCI 光标控制任务中开展警觉度实验，记录了十八名参与者在两个不同日期、共两次会话中的 EEG，并在自建 BCI 警觉度数据集与 SEED-VIG 上评估方法。作者报告 CFGDAN 优于所比较的方法，且可视化结果支持所设计特征对齐机制的有效性。摘要未提供具体指标、性能数值、基线名称及划分方式，因此不能确定这些结果分别对应被试内、跨被试还是跨会话协议，也不能量化性能增益。 复现与应用判断需核对无标签校准数据的规模、源域与目标域定义、警觉度标签获取方式、EEG 预处理、数据划分以及推理时的数据使用条件。实验协议、消融及统计信息尚未验证；代码与数据可获取性亦尚未验证。作者将结果解释为有助于减少校准工作并提升警觉度估计的实际应用潜力，但摘要尚不足以判断其在新被试或新会话中的稳定性。