基于知识与数据融合的无源半监督域适应：面向癫痫发作亚型分类

基于摘要分析。该研究针对 EEG 癫痫发作亚型分类，提出知识与数据融合的无源半监督域适应方法 KDF-MutualSHOT，旨在不访问源域数据、仅有少量目标域标注数据时，将预训练模型适配到新的目标数据集。其主要研究对象是临床 EEG 分类，而非直接验证 BCI 控制性能。 方法分为源模型训练与目标域适配两个阶段。源模型训练中，KDF 使用 Jensen-Shannon Divergence，促进特征驱动的 Decision Tree 模型与数据驱动的 Transformer 模型相互学习，以融合专家知识和原始 EEG 数据。摘要未说明专家知识的具体编码方式、输入特征及模型融合细节。目标域适配阶段采用 MutualSHOT，通过基于一致性的伪标签选择策略支持无源半监督域适应；一致性的计算方式、伪标签筛选阈值与目标域训练目标尚未验证。 作者报告，在公开 TUSZ 和 CHSZ 数据集的跨被试癫痫发作亚型分类实验中，KDF-MutualSHOT 优于所比较的监督学习与无源域适应方法。摘要未提供具体指标、数值、被试数量、目标域标注预算或数据划分，不能据此判断优势幅度，也不能将跨被试结果直接视为跨数据集验证。 复现时需核对知识特征的提取方式、两类模型的互学习配置、源域与目标域的构造、少量标注样本的选择方式，以及伪标签一致性筛选的贡献。实验协议、消融及统计信息尚未验证；不访问源域数据是方法设定，摘要不足以支持形式化隐私保证。