目标域到源域对齐：用于少样本 EEG 适应的带结构约束的分层几何框架

基于摘要分析。本文研究少样本跨被试 EEG 癫痫发作预测中的数据异质性与优化不稳定问题，提出 H-GSC（Hierarchical Geometric Framework with Structural Constraints），将目标域分布显式映射至固定的源域流形，而不是寻找源域与目标域折中的共享子空间。其核心贡献是结合非对称对齐、梯度调节和结构保持，以抑制大幅域偏移下的相互干扰与负迁移。 机制上，Feature-Space Guidance（FSG）作为几何预条件器调整适应梯度方向；Hierarchical Gradient Alignment（H-GA）以源域判别性为严格优先项，过滤破坏性梯度干扰。为防止流形坍塌，框架通过 Masked Structural Consistency 与语义锚点构成双约束正则化，并使用 Metric-Decoupled Validator 支持早停。摘要未给出这些模块的具体数学形式、语义锚点构造方式及验证器所需数据，尚不能判断其实现成本与标签依赖。作者称理论分析支持 H-GSC 与泛化界最小化一致，具体假设和推导尚未验证。 结果方面，作者报告在 CHB-MIT 的少样本跨被试 EEG 癫痫发作预测实验中达到 79.54% AUC，并称达到最佳性能；摘要未说明少样本数量、被试划分、发作前窗口定义及对照基线。作者另报告在联合跨数据集场景中取得 9.65 个百分点的 AUC 增益，但未列出数据集组合、参照方法和统计信息，两类协议的结果不能直接比较。 复现时应核对源域流形如何固定、各约束与梯度优先级如何实现，以及训练、验证和测试数据的划分与早停规则；实验协议、消融及统计信息尚未验证。该研究直接面向 EEG 癫痫发作预测，但不能据此推断其已在运动想象等 BCI 任务中有效。摘要将结果延伸至可扩展临床部署，这一价值仍需临床与前瞻性验证。