用于离线 BCI 校准的主动半监督迁移学习（ASTL）

基于摘要分析。该研究针对 EEG 事件相关电位（ERP）单试次分类中的个体差异与被试特定校准数据需求，提出主动半监督迁移学习（ASTL），将主动学习、半监督学习和迁移学习结合，用于辅助数据仅部分有标签时的离线 BCI 校准。 研究的核心问题是：如何利用来自相似或相关被试、任务的辅助数据，在不要求这些数据全部完成标注的条件下支持目标被试的分类器校准。相较于摘要所述以辅助数据全部有标签为前提的既有研究，ASTL 扩展了可利用的数据范围。不过，主动学习的样本选择准则、未标注数据的利用方式、迁移目标及三者的联合优化机制均未在摘要中展开，尚不能据此确定具体损失函数或训练流程。 作者报告，在视觉诱发电位 oddball 任务、使用三种不同 EEG 头戴设备的评估中，ASTL 在不同被试和设备条件下均取得较好的表现，并优于文献中的部分先进方法。摘要未提供具体指标、数值、被试规模、数据划分或基线名称，因此这些结果不能直接解释为已验证的 Cross-subject 或 Cross-dataset 泛化能力，也无法量化其标注成本收益。 复现时需核对目标被试与辅助数据的构成、初始标签量及追加标注预算、主动查询流程、设备间训练与测试关系，以及各基线是否采用一致的标注预算。实验协议、消融及统计信息尚未验证；离线校准结果亦不等同于在线 BCI 使用效果。