T-TIME：面向即插即用 BCI 的测试时信息最大化集成方法

基于摘要分析。本文针对 EEG 个体差异与非平稳性导致的使用前校准负担，提出 Test-Time Information Maximization Ensemble（T-TIME），面向新用户无标签 EEG 试次逐个到达、需要即时分类的在线迁移学习场景，探索免校准 BCI。 核心机制是先利用对齐后的源域数据初始化多个分类器；每当新的无标签测试试次到达，先通过集成学习输出预测，再以条件熵最小化和自适应边缘分布正则化更新各分类器。这一区别于预先获得新用户全部无标签数据的离线适应设置，将适应过程放在连续使用阶段。摘要未说明源数据对齐方式、分类器结构、正则化具体形式、更新所用历史数据范围及计算开销，相关实现细节尚未验证。 作者报告，在三个公开运动想象 BCI 数据集上的实验中，T-TIME 优于约 20 种经典及当时先进的迁移学习方法。摘要未提供数据集名称、具体指标、数值、数据划分或统计信息，因此不能据此判断优势幅度、跨被试与跨会话适用范围，也不能直接确认实际部署时延。实验协议、消融及统计信息尚未验证。 作者称代码已公开，但所给材料未提供代码地址。复现时需核对预测与参数更新的时间顺序、源域对齐及在线缓冲策略、集成规模、更新频率，以及类别分布变化对自适应正则化的影响。作者将其定位为据其所知首项面向免校准 EEG BCI 的测试时自适应工作；这一优先性主张尚未独立检索确认，不能将摘要中的即插即用愿景等同于已完成真实使用验证。