面向跨脑机接口：一种多源原型监督对抗迁移学习方法

基于摘要分析。该研究针对 EEG 运动想象 BCI 中跨被试差异、被试内非平稳性，以及获取大量被试特定标注数据成本较高的问题，提出多源原型监督对抗迁移学习方法 PSAT。其核心贡献是将逐源域的域对齐、原型约束与多源预测融合纳入统一框架，以改善跨被试 EEG 分类。 机制上，PSAT 为每个源域设置域判别器，以减少被试间分布差异；同时使用 prototype mapper 约束被试内非平稳性，进而学习用于预测的域不变表示。多个源域的预测通过加权组合进行融合。摘要没有给出原型的构建方式、监督信息来源、具体损失形式或融合权重的学习规则，因此这些实现细节尚未验证。 作者报告，在三个基于 EEG 的运动想象竞赛数据集上，与若干既有 EEG 分类方法相比，PSAT 在所有数据集上表现最佳。但材料未提供数据集名称、被试数量、具体划分、目标被试数据及标签的使用方式、对照方法名称、评价指标或数值，无法判断性能提升幅度，也不能据此认定其支持完全无标注的目标被试适配。 阅读与复现时，应重点核对跨被试评估协议、源域选择方式、原型约束对被试内非平稳性的实际作用，以及多源加权相对于单源或简单融合的增益。对抗对齐、原型约束和预测融合各自的贡献，实验协议、消融及统计信息尚未验证；代码与复现配置也尚未验证。摘要中的分类结果不足以直接支持真实在线 BCI 的有效性。