用于非平稳 EEG 分类的原型对比域适应网络

基于摘要分析。该研究针对跨会话、跨被试 EEG 分类中由外部因素和个体差异引起的分布变化，提出原型对比域适应网络 PCDA，将域对齐、基于静息态数据的源域筛选和原型对比学习结合，以缓解负迁移。 方法首先对不同域的数据进行对齐，降低分布差异；随后在特征提取阶段使用条件域对抗网络，进一步实现域对齐并学习深层特征表示。摘要未说明初始数据对齐的具体算法，以及它与特征层域对齐的配合方式。 源域选择方面，作者提出利用静息态数据量化不同域之间相似性的评分方法，并选取相似的源域数据对模型进行微调。这使源域选择成为方法的重要组成部分，而非直接使用全部源域数据；评分定义、静息态采集条件及微调所需标签尚未验证。 原型对比学习包含域内和跨域两部分：域内学习比较数据及其学习表征的类别语义结构，促进相似特征聚集；跨域学习在共享嵌入空间中编码和比较语义结构，实现自监督特征对齐。作者将这一机制用于减少负迁移，但摘要未给出原型构建、损失函数、类别信息来源及各目标的组合方式，不能据此认定整体训练不使用目标域标签。 作者报告，在 BCI Competition IV II-a 和 II-b 数据集上，PCDA 取得更好的结果，并通过消融实验验证方法有效性。摘要未提供具体指标、数值、对照方法及数据划分，也未明确各项结果对应跨被试还是跨会话协议，因此暂不能量化增益或直接比较不同设置。复现需进一步核对预处理、源域筛选规则、训练与微调流程、目标域数据和标签使用范围；实验协议、消融及统计信息尚未验证。