基于 EEG 数据的图像快速序列视觉呈现（RSVP）事件跨被试与跨实验预测的深度迁移学习

基于摘要分析。该研究考察深度卷积神经网络（CNN）在 EEG 图像快速序列视觉呈现（RSVP）事件预测中的可迁移性，重点比较跨被试与跨实验条件下不同网络层的特征通用性，以及权重微调对预测性能的影响。 方法上，研究围绕卷积层与全连接层的迁移展开，分析这些层是否包含可跨被试或跨实验复用的特征。摘要未说明具体网络结构、预训练与目标任务的数据配置，以及哪些层被冻结或参与微调，因此尚不能还原其训练流程。这里的跨实验不宜直接等同于跨会话或跨数据集，具体实验差异需核对全文。 作者报告，在跨被试和跨实验预测中，所有卷积层与全连接层均同时包含通用特征及被试或实验特异性特征；采用权重微调的迁移学习，相较不进行迁移的条件能够改善预测性能。作者进一步报告，跨被试预测中的卷积层捕获了更多被试特异性特征，而跨实验预测中的卷积层则捕获了更多跨实验通用特征。这提示网络层的可迁移性与迁移场景有关，不能直接假定卷积特征在所有 EEG 任务中都同样通用。 摘要未提供数据集、被试数、任务标签、数据划分、评价指标、改善幅度及基线配置。实验协议、消融及统计信息尚未验证；复现时需重点核对源域与目标域的构成、目标域微调所需数据及标签，以及不同层迁移策略的比较条件。当前结论应限定于文中研究的 RSVP 事件预测，不能据此认定其适用于其他 EEG 或 BCI 任务。