利用静息态 EEG 信号进行被试自适应迁移学习的跨被试 EEG 运动想象分类

基于摘要分析。该研究针对跨被试 EEG 运动想象（MI）分类中的个体差异，提出利用目标被试静息态（RS）EEG 进行被试自适应迁移学习的方法，旨在减少适应过程中对目标被试任务特定（TS）EEG 的依赖。 核心机制是将提取的特征解耦为任务依赖特征与被试依赖特征，并据此校准 RS EEG，使其在保留被试特征的同时获得任务信息。随后利用校准后的信号适应目标被试，作者将其描述为模拟模型处理该被试 TS EEG 的过程。与依赖目标被试 TS EEG 进行训练的思路相比，该方法将更易采集的 RS EEG 作为适应信息来源；因此，跨被试评估并不等同于完全不使用目标被试数据。 作者报告，该方法在三个公开基准的跨被试 EEG MI 分类中取得最先进的 Accuracy，但摘要未提供基准名称、具体数值、被试划分、对照方法或统计不确定性，无法据此量化优势。需结合全文核对特征解耦与信号校准的实现、损失及适应流程、目标被试 RS EEG 的采集量和标签需求，以及训练与测试数据的隔离方式；实验协议、消融及统计信息尚未验证。 作者提供了代码仓库，但代码可运行性及其与论文实验的一致性尚未验证。复现时值得重点检验 RS 校准相对于直接使用 RS 数据或不进行目标被试适应的增益，并核对不同采集状态与跨会话变化下的稳定性。静息态采集是否实际降低总校准时间，也需要采集流程与成本证据支持，不能仅由分类性能推断。