MGT：用于跨被试 EEG 适应的多粒度迁移

基于摘要分析。研究针对 EEG 在被试与任务间差异较大、不同来源知识的迁移价值不均等所导致的跨被试适应问题，提出 Multi-Granularity Transfer（MGT）框架。其核心贡献是在多个粒度上联合建模异质 EEG 知识的迁移关系，并引入渐进式迁移机制，以保留普遍可迁移的模式、抑制与目标域不匹配的知识。 机制上，作者将不加区分地迁移来源知识视为负迁移的诱因，强调不仅要学习可迁移表示，还要区分哪些知识适合迁移。渐进式迁移旨在随学习过程稳定知识适应。不过，摘要未说明“粒度”的具体定义、迁移关系的计算方式、渐进机制的调度规则，也未提供模型结构、损失函数或训练与推理流程，因此尚不能判断其具体实现及与既有迁移方法的区别。 作者报告，在覆盖五种范式的七个 EEG 数据集上进行了系统评估，其中包括运动想象、情绪识别和想象语音；在 Cross-subject 评估协议下，MGT 在这些范式中均表现出稳健的解码性能。摘要未给出数据集名称、被试数量、具体划分、适应阶段可用的数据与标签、对照基线或定量指标，因而无法核对性能提升幅度，也不能据此认定其在不同协议下具有可直接比较的优势。 复现时应重点核对多粒度迁移关系的定义与估计方式、渐进式迁移的独立贡献，以及来源知识与目标被试不匹配时的表现。实验协议、消融及统计信息尚未验证；代码与配置的可获得性也尚未验证。摘要支持将其视为跨被试 EEG 迁移框架，但不能进一步推断其已验证跨会话或跨数据集适应能力。