利用静息态 EEG 信号进行跨被试 EEG 运动想象分类的被试自适应迁移学习

基于摘要分析。本文针对跨被试 EEG 运动想象（MI）分类中的个体信号差异，提出利用目标被试静息态（RS）EEG 进行被试自适应迁移学习，以减少对目标被试任务特异性（TS）EEG 校准数据的依赖。核心贡献是通过任务与被试相关特征的解耦及信号校准，使静息态数据参与目标被试模型适配。 机制上，作者将提取的特征解耦为任务相关与被试相关两部分，再利用这些特征校准 RS EEG，意图在保留目标被试特征的同时获得任务信息。校准后的信号用于适配模型，使其模拟处理目标被试 TS EEG 的情形。摘要未说明特征解耦的约束、校准模块的实现、损失函数或适配时更新哪些参数，这些细节尚未验证。该方案仍需采集目标被试 RS EEG，不应解读为完全不使用目标被试数据。 作者报告，该方法在三个公开基准的跨被试 EEG MI 分类中取得最先进的 Accuracy；摘要未提供基准名称、具体数值、被试数、划分方式及对照方法，因此暂不能判断优势幅度或不同协议下的可比性。尤其需要核对源被试 TS 数据与目标被试 RS 数据的使用范围，以及目标被试 TS 数据是否仅用于评估；实验协议、消融及统计信息尚未验证。 其实用价值在于探索更易采集的 RS EEG 能否承载有效的个体校准信息，而非直接消除个体差异。静息态到 MI 任务的信息转换是否可靠、跨会话状态变化是否影响适配，以及性能提升是否来自所提出的解耦和校准机制，均需结合全文结果判断。摘要提供了代码仓库，但实现完整性、数据预处理、运行环境及复现条件尚未验证。