EEG-DG：面向运动想象 EEG 分类的多源域泛化框架

基于摘要分析。该研究针对运动想象 EEG 的非平稳性与个体差异导致分类模型泛化受限的问题，提出多源域泛化框架 EEG-DG：利用统计分布不同的多个源域学习域不变特征，面向训练时未见的目标 EEG 数据进行分类，旨在减少校准需求。 核心机制是同时优化源域的边缘分布与条件分布，以促进联合分布在不同源域之间的稳定性。相较于直接汇集不同分布的 EEG 数据训练模型，该方法显式处理源域间分布差异；相较于摘要所讨论的域适应方法，其目标是不依赖训练期间访问目标域数据。具体分布优化目标、损失形式、特征提取结构及多源训练流程尚未验证，不能据摘要确定其实现细节。 作者报告，在模拟数据集、BCI competition IV 2a、IV 2b 与 OpenBMI 上开展了实验。其中，IV-2a 和 IV-2b 的平均分类 Accuracy 分别为 81.79% 和 87.12%，但摘要未说明这两项结果的被试划分及会话协议；OpenBMI 的跨会话与跨被试评估 Accuracy 分别为 78.37% 和 76.94%。这些结果对应不同数据集与评估条件，不宜直接横向比较。作者报告 EEG-DG 相较其他方法具有竞争力，并超过部分域适应方法，但具体对照方法及其目标域数据使用条件尚未验证。 复现时需核对源域如何定义、训练与目标域如何隔离、EEG 预处理及样本划分，以及平均 Accuracy 的汇总方式。尤其需要确认边缘分布与条件分布优化各自的贡献，以及不同被试、会话条件下的稳定性。实验协议、消融及统计信息尚未验证；现有摘要结果不足以量化实际部署中的校准成本下降幅度。