利用保持相似性的知识蒸馏增强低密度 EEG 脑机接口

基于摘要分析。研究针对低密度 EEG 因电极数量减少、头皮区域覆盖受限而出现的解码性能下降，提出 similarity-keeping knowledge distillation（SK-KD），让低密度 EEG 学生模型学习由高密度 EEG 数据预训练的教师模型所提供的样本间相似性，以改善运动想象解码。 核心机制是教师—学生知识蒸馏：教师利用高密度 EEG 获取信息，学生以低密度 EEG 为输入，迁移目标强调样本之间的相似关系。该设计的阅读价值在于探索如何利用训练阶段的高密度 EEG 信息支持低密度 EEG 解码；摘要尚未说明相似性的计算位置与形式、蒸馏损失、教师与学生的数据对应方式，以及推理阶段的具体配置。 作者报告，在所测试的多种模型架构上，SK-KD 持续提升低密度运动想象 EEG 解码 Accuracy，并优于其他知识蒸馏方法。摘要未提供数据集、被试数量、通道配置、被试内或跨被试划分、对照方法名称及具体数值，因此不能量化增益或推断跨被试、跨会话泛化能力。实验协议、消融及统计信息尚未验证。 复现时需核对高低密度 EEG 的构建与配对方式、教师预训练数据与测试数据的隔离、学生不使用蒸馏时的基线，以及不同通道数量和位置下的效果。作者将其称为首个用于增强 EEG 解码的知识蒸馏方案，这一优先性表述尚未检索确认；摘要中的结果也尚不足以确认真实可穿戴设备或在线 BCI 场景下的收益。