面向会话无关 BCI 的域泛化

基于摘要分析。该研究针对 EEG 被试间与被试内变异造成的重复校准问题，从域泛化（Domain Generalization, DG）角度研究零校准 BCI：仅利用此前采集的多被试、多会话数据训练 EEG 分类框架，使其能够直接应用于未见会话。 研究比较了四种深度学习模型和四种 DG 算法，采用留一会话验证（leave-one-session-out）评估跨会话（Cross-session）泛化。其核心问题不是如何利用目标会话数据进行适应，而是既有训练数据能否支持模型直接处理新会话。摘要未给出模型与算法名称、具体任务、数据集、被试及会话数量，也未说明留出会话与训练被试的对应关系，因此不能将该评估直接解读为跨被试（Cross-subject）泛化。 作者报告，在所测试的模型及留一会话协议下，更深、更大的模型具有更好的跨会话泛化表现；所测试的显式 DG 算法均未超过经验风险最小化（empirical risk minimization, ERM）。这一结果限定于本文的模型、算法与实验设置，不能据此断言域泛化方法普遍无效。 作者还通过使用被试特定数据进行微调的对照发现，这类数据可能因会话间变异而降低未见会话的分类表现。该发现提示，个体化微调与新会话泛化之间不一定存在稳定的正向关系，但具体微调数据来源、样本规模及性能变化幅度尚未验证。 复现时需核对留一会话划分、模型容量与训练条件、DG 和 ERM 的对照设置，以及微调数据和测试会话的关系。摘要未提供具体评价指标或数值；实验协议、消融及统计信息尚未验证。