跨被试想象言语 EEG 的对齐边界：预对齐与训练期对齐的可证明局限

基于摘要分析。本文研究无需对新被试重新校准的想象言语 BCI，尝试从理论与实验两方面刻画预对齐和训练期对齐的能力边界。核心贡献是将不同对齐操作与 CSP 所依赖的类别协方差差异、跨被试 H-divergence 联系起来，而非提出普遍提升解码性能的新方法。 预对齐方面，作者论证，类别条件 Euclidean Alignment（CC-EA）将各类协方差白化为单位矩阵，会消除 CSP 解码所依赖的类间协方差差异。作者报告，在 BCI IV-2a 的相关对照中，Accuracy 从 72.3% 降至 49.3%；在包含 49 名被试的 Cho2017 上复现了退化现象，并报告 p < 10⁻¹¹。摘要未交代完整划分与统计检验对应关系。作者进一步以规范不变性论证，类别无关的线性预对齐不改变 CSP 解码器，并据此主张边际 EA 在线性方法族内达到最优；剩余的被试特异旋转及其经验排除依据需查阅全文。 训练期对齐方面，作者声称，DANN、CORAL 等小批量目标的期望跨被试 H-divergence 信号为零，而 episodic prototype alignment 可作为有理论依据的替代目标。作者报告，想象言语 EEG 上的梯度对齐预测在 30 个代理指标—数据集组合中的 29 个得到支持，p < 0.001。该结论所需的数据采样、目标函数及分布假设尚未验证，不能据此泛化为所有域适应方法无效。 作者还报告，在新建的 Telugu、Kannada、English 多语言跨被试基准中，使用消费级 8 通道 EEG 的各类方法均接近随机水平，并将其解释为当前信号与被试差异比例下 H-divergence 边界的定量预测；运动想象作为存在可解码信号的对照。摘要未提供该基准的被试数、类别数、具体分数及划分。复现重点是核对定理前提、对齐所需信息、CSP 流程及跨被试评估协议；完整实验协议、消融及统计信息尚未验证。