用于运动想象 EEG 识别的三阶段迁移学习

基于摘要分析。该研究针对运动想象（MI）EEG 识别中的跨被试异质性与训练数据稀缺问题，提出受最优传输理论启发的三阶段迁移学习方法 TSTL，利用有标签源域数据改善无标签目标域的分类性能。核心贡献是依次进行黎曼切空间映射、源域变换与共同子空间映射，以缓解源域和目标域的分布差异。 方法包含三个组件：Riemannian tangent space mapping（RTSM）将黎曼空间中的对称正定矩阵映射至切空间，旨在减小边缘概率分布偏移；source domain transformer（SDT）寻找最优传输映射矩阵，将源域向目标域变换，旨在减小联合概率分布差异；optimal subspace mapping（OSM）进一步将变换后的源域与原始目标域映射到同一子空间。这里的 transformer 指源域变换组件，摘要不足以支持将其解释为 Transformer 注意力网络。 作者报告，在两个公共 BCI 数据集上，TSTL 的平均 Accuracy 分别为 72.24% 和 69.29%，并称其 MI 检测表现优于所比较的先进算法。摘要未提供数据集名称、被试规模、具体跨被试划分、平均方式、基线名称或提升幅度，因此这些数值只能作为各自未详述协议下的结果，不能直接与其他研究比较。 复现时需核对对称正定矩阵的构造、切空间参考点、最优传输目标与求解方式、共同子空间的学习及分类步骤，尤其需要确认无标签目标域条件下联合分布对齐如何实现，以及训练和评估阶段各自可访问的数据范围。完整实验协议、消融及统计信息尚未验证，三个阶段各自的贡献、计算开销和跨被试稳定性仍需依据全文评估。