纠正几何失配：面向类别不平衡 EEG 的在线无源域适应

基于摘要分析。本文研究 EEG BCI 中动态类别先验变化导致的黎曼几何对齐失配，提出 OSPDIM（Online SPD manifold information maximization），在不访问源域数据的在线无监督域适应中，通过流形约束偏置与信息最大化校正目标数据的几何偏移。 核心机制：作者指出，Riemannian Centering Transformation（RCT）等方法虽可处理协变量偏移，但隐含类别先验平衡的假设；当在线数据流出现类别不平衡或标签偏移时，标准中心化可能使目标分布产生几何失配。OSPDIM 在切空间映射中引入受流形约束的偏置参数，通过信息最大化优化该参数，并在线估计和修正几何偏置，而非依赖离线全局批次统计。摘要未给出具体目标函数、参数更新方式及在线统计估计细节。 验证与结果：作者报告，在二维 SPD 矩阵模拟中，OSPDIM 能纠正标准中心化未能处理的失配；在多个运动想象数据集上，作者报告其显著优于标准黎曼几何基线，尤其是在严重类别不平衡的在线适应情境下。摘要未提供数据集名称、被试数、具体指标、效应量，也未明确各实验属于跨被试还是跨会话协议，因此尚不能量化收益或判断适用范围。 复现时需核对类别先验的动态变化方式、初始化与源模型条件、在线更新所用数据范围，以及信息最大化在严重类别不平衡下如何避免退化预测。实验协议、消融及统计信息尚未验证；即插即用 BCI 的实际鲁棒性仍需完整实验支持。