基于联合概率差异域适应的跨被试癫痫发作检测

基于摘要分析。该研究针对不同被试 EEG 分布差异导致癫痫发作检测分类器泛化性能下降的问题，提出跨被试迁移学习框架：利用多个源被试的有标签 EEG 与新目标被试的无标签 EEG，通过样本筛选及 joint-probability-discrepancy-based domain adaptation（JPDDA）改善目标被试的检测表现。研究对象是离线 EEG 癫痫发作检测，不能据此视为在线 BCI 控制效果的证据。 方法首先采用对抗策略，从源域 EEG 中筛选适合迁移的样本，作为后续域适应的训练数据。随后，JPDDA 以联合概率分布差异同时刻画域间可迁移性与类别间判别性，并结合结构风险和流形一致性学习域不变分类器。其具体技术关注点是将源域样本选择与兼顾迁移、判别的域适应目标串联，而非仅假设训练与测试数据同分布；但摘要未提供对抗筛选的实现、联合概率差异的数学形式或优化细节。 作者报告，在 Children’s Hospital, Zhejiang University School of Medicine（CHZU）数据集上的跨被试癫痫发作检测实验中，JPDDA 获得较高检测准确率，并据此认为其具有良好可迁移性。摘要未给出具体数值、被试规模、数据划分、基线或统计不确定性，因此尚不能量化其优势。 复现与评估需核对源被试与目标被试的划分、无标签目标 EEG 在训练和评估中的使用方式、EEG 预处理及样本构建方法，并核对样本筛选、联合概率差异与流形一致性各自的消融贡献。实验协议、消融及统计信息尚未验证；目前材料也不足以判断其对在线检测或其他 EEG 任务的适用性。