通过自训练与对抗训练实现半监督隐私保护的 EEG 运动想象分类

基于摘要分析。本文研究 EEG 运动想象（MI）分类中的跨被试分布差异与源数据隐私问题，提出无源半监督域适应算法：适应新被试时不访问源域数据，而利用少量目标域标签和未标注目标数据，缓解错误伪标签引起的噪声累积。 核心机制是分离真实标签监督与伪标签学习。分类器头仅使用少量已标注目标数据训练，并为未标注目标数据生成伪标签；独立的自训练头利用这些伪标签学习表征，以缓解有限标注导致的过拟合；对抗头通过极小极大博弈，从未标注目标数据中提取更具判别性的特征。摘要未给出具体损失形式、各头之间的梯度关系及训练调度，这些实现细节尚未验证。 作者报告，在三个基准数据集上，与十八种先进 SFDA 方法比较，所提方法表现更优。摘要未提供数据集名称、被试数量、跨被试划分、目标域标注预算、评价指标及具体数值，因此不能量化收益，也不能确认半监督方法与对照是否具有一致的标签访问条件。实验协议、消融及统计信息尚未验证；需重点核对分类器头、自训练头与对抗头各自的贡献，以及不同标注预算下的稳定性。 隐私保护在摘要中主要体现为适应阶段不访问敏感源数据，不等同于已验证的形式化隐私保证。作者提出向实时 BCI 等应用扩展，但摘要未提供在线运行、延迟或临床康复效果证据。复现需要进一步取得模型结构、源模型训练设置、目标数据划分、伪标签生成规则与优化配置；代码可用性尚未验证。