EEG-Fusion：面向鲁棒运动想象 EEG 解码的失效感知无源域专家路由

EEG-Fusion 针对跨被试运动想象（MI）EEG 解码中平均表现掩盖个别被试失效的问题，提出以无标签可靠性估计驱动的决策级专家融合框架，旨在减少无源域部署时过度自信、预测近乎集中于单一类别的塌缩。基于摘要分析，未取得论文全文。 方法先执行逐被试欧氏对齐和仅更新归一化部分的测试时自适应，再为目标被试路由至神经网络、协方差或生理特征专家。可靠性门控在源域被试留出折上训练，根据无标签数据流诊断量预测专家表现与塌缩风险；输入包括置信度、熵、预测多样性、专家一致性和预测类别平衡。塌缩指标定义为预测占比最高类别的占比。摘要明确目标用户标签不用于适应及专家选择，但门控的具体监督目标、专家实现与更新规则尚未验证。 作者报告，在采用三个随机种子的九折留一被试（LOSO）评估中，相对未对齐的原始 EEGNet 无源域锚点，BCI IV-2a 本地协议下被试 macro-F1 从 0.417 提升至 0.529，BNCI2014-001 从 0.314 提升至 0.482，BNCI2014-004 从 0.607 提升至 0.708；对应塌缩指标分别降低 0.199、0.227 和 0.169。作者另报告，在含九名被试的 Cho2017 外部子集上，macro-F1 从 0.516 提升至 0.630；该子集的具体评估划分尚未验证。 其可检验的研究价值在于，将专家选择依据从单一置信度扩展到预测多样性、一致性及类别分布等失效诊断信号。复现时需核对源域留出门控训练与目标被试评估的隔离方式、目标数据流使用范围，以及类别不平衡时塌缩指标的解释。完整对照、对齐与自适应及路由的消融、统计不确定性和代码可用性尚未验证；上述不同数据与协议的数值不宜直接横向比较。