用于减少 BCI 校准工作量的在线与离线域适应

基于摘要分析。该研究针对 EEG 中 ERP 单试次分类的个体差异问题，提出在线与离线 weighted adaptation regularization（wAR，加权适应正则化）算法，目标是减少 BCI 校准所需的目标被试标注 EEG 数据，而不是假定一个固定分类器能够适用于所有被试。 研究动机是：即使面对相同刺激，不同被试的神经响应也存在差异，因此通用 ERP 分类器通常仍需利用被试特定的标注数据进行校准。论文以域适应处理这一问题，同时引入源域选择以降低计算成本。摘要未给出 wAR 的具体目标函数、权重定义、源域与目标域的构建方式，也未说明在线更新流程和离线训练协议，这些机制细节尚未验证。 作者报告，在视觉诱发电位 oddball 任务及三种不同 EEG 头戴设备的实验中，在线与离线 wAR 均显著优于若干其他算法；但摘要未列出对照算法名称、评价指标、被试数量、标注样本预算、数据划分或显著性检验细节，不能据此量化分类收益，也不能将不同设备的实验直接理解为 Cross-dataset 或跨设备迁移验证。作者另报告，源域选择可使计算成本降低约 50%，并据此认为方法更适合实时应用；该降幅对应的计算成本口径、硬件条件和在线延迟尚未验证。 复现时应重点核对目标被试标注数据的使用方式、源域选择准则，以及不同标注预算下分类效果与计算开销的变化，并确认在线与离线方法各自的评估边界。实验协议、消融及统计信息尚未验证，代码与完整复现条件也无法由当前材料确认。