脑机接口中利用大规模数据的迁移学习

基于摘要分析。该研究针对 EEG 个体差异导致 BCI 用户校准耗时的问题，提出利用其他被试的大规模数据进行迁移学习的框架，以减少新用户所需的个体特异性校准数据，并在检测驾驶过程中神经认知失误的被动式 BCI 中验证。 其核心思路是将已有被试的数据用于新用户建模，而非主要依赖新用户自身的长时间训练数据。摘要指出，既有迁移学习方法仍需获取各条件下的训练或校准数据；本文尝试进一步降低这一要求。不过，摘要未说明迁移框架的具体表示、源被试选择、适配机制、训练目标及目标用户数据的使用方式，不能据此认定为完全免校准。 作者报告，在上述驾驶被动式 BCI 评估中，借助其他被试的大规模数据，该方法优于被试内方法，同时将每位用户所需的校准数据降至约 1.5 分钟；摘要给出的标准被试内方法参照为一次 90 分钟的先导会话。该时间比较反映作者报告的校准负担差异，不等同于性能提升幅度；摘要未提供性能指标、具体分数或统计不确定性。 复现时需核对源数据规模、被试数量、神经认知失误的标签定义、源与目标数据划分，以及两种方法的训练和测试条件。实验协议、消融及统计信息尚未验证；结论目前应限定于摘要所述的驾驶被动式 BCI 场景，不能直接推广至运动想象、SSVEP 或其他任务。