神经生理信号的嵌入表示

基于摘要分析。该研究针对 EEG 解码中训练数据有限、信号跨被试及被试内非平稳导致迁移困难的问题，提出先从源被试数据学习嵌入表示，再用目标被试数据训练个体化分类器的简单域适应流程，旨在减少 BCI 的个体校准数据需求。 核心机制是将深度学习表征与传统机器学习校准分开：使用 EEGNet 学习嵌入函数，再将嵌入向量输入 logistic regression，实现目标被试特定的分类。其可检验的关键并非嵌入完全消除被试差异，而是共享表征能否在保留可解码信息的同时，降低后续个体校准所需的数据量。 作者在 High Gamma EEG-BCI Dataset 的 14 名被试上开展离线实验，以 leave-one-subject-out（LOSO）协议训练 EEGNet 嵌入函数。对照包括未经目标被试特定校准的 EEGNet，以及采用被试内训练的标准 FBCSP 流程。这些对照的训练与校准条件不同，需结合各自协议理解结果，不能视为同一设置下的直接性能排名。 作者报告，学习到的嵌入表示仍存在跨被试非平稳性，支持增加目标被试校准的必要性；个体化校准改善了评分。作者还报告，实验数据提示该嵌入流程达到满意评分所需的个体校准数据少于 FBCSP 基线。摘要未提供评分指标名称、具体数值、校准样本量或“满意评分”的定义，因此尚不能量化其优势。 复现时需核对源被试训练、目标被试校准与测试数据的划分，嵌入提取位置及预处理，logistic regression 的训练设置，以及不同校准数据量下的比较方式。实验协议、消融及统计信息尚未验证；离线结果也不能直接证明在线 BCI 校准时间或实际使用效果得到改善。