面向 EEG 运动想象解码的免校准在线测试时自适应

基于摘要分析。本文针对 EEG 运动想象（MI）解码中跨会话与跨被试分布偏移造成的性能问题，研究在线测试时自适应（OTTA）：在推理过程中持续进行无监督适应，并在适应阶段不访问源数据。其主要贡献是探索轻量架构与多种 OTTA 技术结合，以减少部署时的校准需求。 技术上，摘要列出了 alignment、自适应批归一化和熵最小化，但未给出各方法的实现、组合方式、更新对象与更新频率，尚不能确定它们分别或联合带来的收益。作者将不访问源数据视为隐私保护特性；这一条件本身并不足以验证更广义的隐私保证。作者还称方法无需会话或被试特定数据即可免校准运行，但在线适应所用测试数据与预先校准数据的具体边界，需要结合完整协议核对，不能理解为推理期间完全不使用目标数据。 作者报告在两个数据集、三种数据设置上开展评估，并称适应方法取得最优结果。摘要未提供数据集名称、被试数量、三种设置的定义、划分方式、对照基线或指标数值，因此尚无法判断该结论在被试内、跨被试或跨会话协议中的具体适用范围，也不能据此量化提升。 复现时需核对模型初始化与源域训练条件、测试样本到达及预测与更新的先后顺序、批大小、归一化统计更新方式，以及熵最小化的目标和优化设置；还需查看持续适应的稳定性及各组件的消融结果。实验协议、消融及统计信息尚未验证。