面向脑机接口的迁移学习：完整流水线

基于摘要分析。该研究针对运动想象（MI）BCI 中新被试校准负担较大的问题，提出在空间滤波、特征工程和分类三个环节均考虑迁移学习（TL），并在空间滤波之前加入数据对齐，使不同被试的 EEG 数据更加一致，以促进后续迁移。 核心贡献是流水线层面的协同设计。作者指出，此前方法通常仅在上述一个或两个环节使用 TL；本文则将其扩展至三个环节，并强调数据对齐作为前置步骤的重要性。摘要未给出数据对齐的数学形式、各环节采用的具体算法或优化目标，因此尚不能判断各模块的实现方式及其相互依赖。 作者报告，在两个 MI 数据集上的离线校准实验支持这一方案，尤其是将数据对齐与较复杂的 TL 方法结合，可显著改善分类表现并降低校准负担。摘要未提供数据集名称、被试数、校准样本量、数据划分、对照基线、具体指标及数值，不能据此量化收益，也不能将离线结果视为在线闭环控制效果的验证。 复现时需优先核对目标被试可用数据及标签条件、对齐参数的估计范围、各阶段迁移方法的组合方式，以及性能随校准数据量变化的关系。全文、实验协议、消融及统计信息尚未验证。