当脑基础模型遇上 Cauchy-Schwarz 散度：跨被试运动想象解码新框架

基于摘要分析。本文针对跨被试运动想象（MI）EEG 解码中的被试差异、目标域标注有限及多源域适应（MSDA）负迁移问题，提出结合预训练脑基础模型（BFM）源被试选择与 Cauchy-Schwarz 散度对齐的框架。核心思路是选择与目标域相关的源被试，再联合进行特征层与决策层对齐，而非无差别纳入全部源域。 在源域选择方面，作者利用预训练 BFM 引导动态选择，使相关源被试参与适应，以期降低不相关源域造成的负迁移及计算开销。摘要未说明 BFM 的具体名称、预训练数据、是否冻结，以及源域相关性的计算方式和选择规则，这些实现条件尚未验证。 在域对齐方面，框架采用 Cauchy-Schwarz（CS）与 Conditional CS（CCS）散度，联合处理特征层和决策层的分布差异。作者强调显式考虑特征与决策输出之间的依赖关系，以在增强域不变性的同时保留类别判别结构；具体损失定义、估计方式及各项权重尚未验证。 作者报告，在两个基准 MI-EEG 数据集的跨被试评估中，平均 Accuracy 分别为 86.17% 和 78.41%，并优于所比较的多种基线。摘要未给出数据集名称、被试划分、目标域标签使用方式及基线具体结果，因此上述数值不能直接与其他协议下的成绩比较。作者还报告，大规模源被试池实验支持 BFM 引导选择的可扩展性与效率，但源池规模和计算成本数值未披露于摘要。 复现时应重点核对 BFM 预训练与评估数据的关系、目标域可用数据及标签范围、源选择与 CS/CCS 对齐的独立贡献，以及源池扩大后的性能—计算成本变化。实验协议、消融及统计信息尚未验证。