用于 EEG 可解释无监督域适应的 SPD 域特定批归一化

基于摘要分析。该研究针对 EEG 跨会话、跨被试迁移需要昂贵监督重校准的问题，提出 SPD domain-specific momentum batch normalization（SPDDSMBN），并以此构建 TSMNet，将对称正定（SPD）流形上的切空间映射（TSM）模型纳入端到端学习，以实现无监督域适应。 核心机制是利用 SPDDSMBN 将域特定的 SPD 输入转换为域不变的 SPD 输出。作者指出，该模块可用于多源域／多目标域以及在线无监督域适应场景，并将 TSMNet 描述为结构简单、具有内在可解释性的网络。其方法定位是连接几何深度学习与基于黎曼几何的对齐方法，尝试缩小迁移模型相对域特定 TSM 方法的性能差距。作者声称该框架首次实现域不变 TSM 模型的端到端学习，但这一优先性表述尚未独立核实。 作者报告，在 6 个不同的 EEG BCI 数据集上，TSMNet 在跨会话和跨被试迁移中取得最先进性能。摘要未提供数据集名称、被试数量、具体指标与分数、划分方式或逐项对照结果，因此无法量化收益，也不能据此比较不同迁移协议。实验协议、消融及统计信息尚未验证。 材料提供了 TSMNet 代码仓库，可作为复现入口。复现时应核对 SPD 输入的构造、归一化与动量统计的更新规则、训练及推理阶段对目标域数据的使用方式，以及在线适应的评估流程；这些细节不能从摘要确定。可解释性具体对应哪些参数或信号特征，以及其在不同被试、会话条件下是否稳定，也需结合全文与实现验证。