Europe PMC（brain-computer interface · PubMed）· Wang L, Zhou Y, Wang P, Ma X, Zhou S.·· 2026-09-08AI 评分24
运动想象 EEG 跨变异性解码综述：2020 至 2025 年深度学习与迁移学习方法
Cross-variability decoding for motor imagery EEG signals: a comprehensive review.
AI 导读
这篇综述系统梳理了 2020 至 2025 年运动想象 EEG 跨变异性解码研究，按深度学习与迁移学习建立分类体系，重点评估 CNN、transformer、特征对齐、域适应和元学习等算法。文章围绕跨受试者与跨会话两类主要变异性场景分析这些方法的机制与效果，并指出低信噪比、个体与时间维度差异及信号非平稳性仍是 MI BCI 落地的主要障碍。
AI 要点
团队
作者为 Wang L、Zhou Y、Wang P、Ma X、Zhou S，机构原文未提及。
主要结果
综述提出 2020 至 2025 年 MI EEG 跨变异性解码研究的分类体系，系统梳理深度学习与迁移学习进展。
解决什么问题
针对 MI BCI 的低信噪比、跨受试者或跨时间显著变异、信号非平稳性三大挑战，填补缺乏系统性综述的空白。
方法
批判性评估 CNN、transformer、特征对齐、域适应与元学习等核心算法，并考察其在跨受试者、跨会话等变异性范式下的效果。
局限
从研究设计看，本文为综述，未开展原始实验或对照验证。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · PubMed） · doi.org