利用选择性滤波器组自适应黎曼特征实现会话无关的被试自适应心理想象 BCI

基于摘要分析。本文针对 EEG 心理想象 BCI 中的跨会话变化与个体频谱差异，提出 Selective Time-window and Multi-scale Filter-Bank with Adaptive Riemannian（STFB-AR）特征框架，目标是实现免校准的被试自适应分类。研究任务不限于运动想象；原文此处的 MI 指 mental imagery，不应将全部任务理解为运动想象。 方法首先利用被试的 EEG 训练试次，通过 Riemannian user learning distance metric（Dscore）选择具有区分性与稳定性的关键频段及最佳时间窗。随后，将各频段内 EEG 试次的协方差矩阵通过黎曼迁移学习向参考协方差矩阵变换，以提高不同会话之间的可比性。其核心思路是结合个体化时频特征选择与跨会话协方差对齐，而非仅使用固定滤波器组。 作者报告，在四个公开数据集、包含残障被试的评估中，该方法相较基线模型和固定滤波器组模型的平均 Accuracy 分别提高约 15% 和 8%。摘要未明确这些增幅是相对百分比还是百分点，也未提供各数据集名称、具体任务、被试数量、数据划分与基线细节，因此不能据此判断各跨会话协议下的绝对性能或提升一致性。 复现时需核对 Dscore 的定义、频段和时间窗搜索范围、参考协方差矩阵的构建方式，以及目标会话是否参与对齐、是否使用标签。摘要明确使用被试训练试次，因此“免校准”不能直接解释为完全不需要该被试的数据。实验协议、消融及统计信息尚未验证。