用于睡眠数据学习的卷积 Monge 映射归一化
基于摘要分析。该研究针对 EEG 在被试、会话及采集硬件之间的分布差异，提出 Convolutional Monge Mapping Normalization（CMMN）：通过滤波，将信号的功率谱密度（PSD）适配到由训练数据估计的 Wasserstein 重心，从而支持对新数据进行个体层面的测试时自适应，无需重新训练预测模型。 核心机制是以训练数据的频谱重心作为共同参考，利用作者提出的最优传输映射与重心的闭式解构造信号归一化过程。其作用对象是信号的频谱分布，而非直接修改预测网络；摘要未提供滤波器构造、PSD 估计方式、重心计算细节或测试数据的使用范围，这些实现与协议条件尚未验证。 作者报告，在睡眠 EEG 的跨被试、跨会话及跨数据集适配实验中，包括不同硬件采集的数据，CMMN 带来了显著且一致的性能提升，并称该提升不依赖特定神经网络架构。作者还报告，其收益与计算开销更高的域适应方法相当，并可与这些方法结合以进一步改善性能。摘要未列出数据集、被试规模、划分方式、指标、具体增益或对照方法，因此不能量化效果，也不能将不同适配协议的结果直接比较；实验协议、消融及统计信息尚未验证。 该工作的可核对价值在于，考察频谱层面的标准化能否以较低计算成本缓解睡眠 EEG 的域差异。需进一步核对归一化是否保留睡眠判别所需的频谱信息，以及训练参考与测试数据分布差异较大时的适用边界。本文的证据来自睡眠 EEG，不能据此认定其对 MI、SSVEP 或其他 BCI 任务同样有效；代码可用性与具体复现条件尚未验证。
阅读价值：值得核对 CMMN 如何以闭式最优传输映射实现无需重训预测模型的 EEG 频谱适配，以及其与计算开销更高的域适应方法在相同协议下的效果和互补性。