SPDIM：EEG 中无源无监督的条件分布偏移与标签偏移适应

基于摘要分析。本文研究 EEG 在不同日期、被试等域之间的分布偏移，提出无源无监督域适应（SFUDA）框架 SPDIM，重点处理条件分布偏移与标签偏移。其核心贡献是通过生成模型分析既有黎曼几何统计对齐方法的适用边界，并以参数高效的流形优化策略进行目标域适应。 机制方面，作者提出一个生成模型，用于描述特定的分布偏移，并指出：SPD（对称正定）流形上的既有统计对齐方法可以补偿某些边缘分布与条件分布偏移，但在标签分布变化时可能损害泛化。标签偏移在 EEG 睡眠分期等应用中具有现实意义，因此不能默认各域类别比例恒定。SPDIM 利用信息最大化原则，为每个目标域学习单个受 SPD 流形约束的参数；摘要未说明该参数的具体形式、信息最大化目标的数学表达及优化过程，不能将“单个参数”理解为单个标量。 结果方面，作者报告，在其生成模型对应的模拟条件下，SPDIM 能够补偿所研究的偏移；在公开 EEG-based BCI 与睡眠分期数据集上，作者报告其表现优于既有方法。摘要未提供数据集名称、被试数、被试内或跨被试等具体评估协议、数据划分、对照方法名称及指标数值，因此尚不能判断优势幅度或比较不同任务的效果。 复现时需核对生成模型的假设与真实 EEG 分布偏移的对应关系、目标域无标签数据的使用方式、SPD 参数的约束与初始化，以及标签比例变化时的性能边界。实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 域适应，但摘要中的结果不能进一步外推为所有跨被试或跨会话 BCI 场景均有效。