Euclidean Alignment 相当于多少个标注试次？EEG 与 EMG 迁移的语料库内剂量—响应分析

基于摘要分析。本文研究 EEG 与 EMG 解码中的 Euclidean Alignment（EA）跨被试迁移，究竟能替代多少目标用户的标注试次。核心贡献是引入仅用目标被试数据训练的域内 k-shot 解码器作为实践对照，并分析同域条件下对齐增益为零的理论边界。 作者将“交叉预算”定义为域内解码器达到经对齐跨被试解码器表现所需的目标标注试次数。作者报告，在十个公开配置、36 个语料库内评估单元中，该预算随解码器变化，从总计 12 个试次到超过 240 个试次，不能归结为固定常数。两条路线均采用 tangent-space logistic regression、且域内路线完全不使用供体数据时，所有受测语料库的预算为总计 18–40 个标注试次；该范围覆盖两种模态及类别数 K∈{2,4,6}，最大与最小预算相差约 2.2 倍。 按用户评估，作者报告总计 60 个标注试次可使 87% 的 sEMG、70% 的 EEG-MI 被试评估单元达到对齐路线的水平；另有 10% 和 22% 在所有已测试预算下仍未达到。这里的未达到仅受测试网格范围限定，不代表学习曲线已达到渐近上限。类别数的语料库间排序未通过语料库内剂量—响应检验：交叉预算随类别数增加在高信噪比 sEMG 中下降，在低信噪比 EEG-MI 中基本持平。作者提出被试内可解码性可能是解释因素，但明确未证明其决定预算。 理论部分指出，当对齐参考与分类器拟合均来自域内时，对相应合同变换保持不变的解码器，其对齐增益恒为零；该结论依赖指定的不变性条件，并非适用于任意解码器。作者报告，该性质在两个分类器家族、全部受测正则化设置下的 137 个被试拟合中成立，其中 119 个超过预先声明的信息性阈值。摘要另称因子实验区分了参考来源与拟合数据来源的作用：前者决定零增益的精确性，后者影响增益幅度。 全文尚未取得，具体语料库、试次抽样与划分、性能指标、阈值定义、消融及统计信息尚未验证。复现时需重点核对两条路线的训练与测试协议、达到对齐水平的判定方式，以及每个目标用户的预算分布，不能将不同解码器下的预算直接合并比较。