通过估计分布偏移预测基于 EEG 的心理工作负荷评估的跨被试泛化

基于摘要分析。该研究针对 EEG 心理工作负荷评估中的跨被试差异，提出估计不同被试数据之间边缘分布偏移与条件分布偏移的策略，并考察这些偏移与跨被试预测准确率的关系。其主要贡献是为分析域适应的数据分布假设、评估归一化对分布差异的影响提供量化依据，而非仅比较最终预测性能。 研究背景是心理工作负荷的 EEG 相关特征会随被试和体力负荷变化，部分域适应方法所依赖的分布假设未必适用于此类数据。作者使用参与者在跑步机跑步及固定自行车骑行期间执行认知任务时采集的 EEG，分析常用于缓解跨被试变异的不同归一化策略。 作者报告，在以训练阶段未见的参与者作为评估对象的跨被试设置下，不同归一化方案会影响统计分布偏移，并展示了这些变化与心理工作负荷预测 Accuracy 的关系。摘要未提供具体数值，因而不能据此判断哪种方案最优、改善幅度多大，也不能将偏移与 Accuracy 的关系解释为因果关系。 全文需重点核对边缘与条件分布偏移的具体定义、估计条件，以及条件偏移估计和归一化是否需要目标被试标签或额外数据。被试数量、工作负荷标签定义、训练与测试划分、归一化参数的拟合范围、预测模型、对照基线、消融及统计信息尚未验证。该研究直接面向 EEG 跨被试评估，但摘要不足以支持其结论对跨会话、跨数据集或其他 BCI 任务同样成立。