arXiv eess.SP（Signal Processing）·· 10 天前AI 评分31
通过个体切空间对齐与空间-黎曼特征融合实现跨受试者与跨导联 EEG 迁移学习
Cross-Subject and Cross-Montage EEG Transfer Learning via Individual Tangent Space Alignment and Spatial-Riemannian Feature Fusion
AI 导读
研究提出个体切空间对齐（ITSA）预对齐策略，结合受试者特异性重中心化、分布匹配与监督旋转对齐，以提升 EEG 跨受试者泛化能力。其混合架构将正则化共空间模式（RCSP）与黎曼几何以并行和串行两种配置融合，在留一受试者交叉验证下跨受试者与跨条件性能显著提升，其中并行融合优于串行融合，并在不同数据条件与电极配置下保持稳健。代码将在发表时公开。
AI 要点
团队
第一作者 Nicole Lai-Tan，末位作者 Fani Deligianni，共 4 位作者。
主要结果
ITSA 在留一受试者交叉验证下跨受试者、跨条件均有显著性能提升；并行融合优于串行融合，并在不同数据条件和电极配置下保持稳健。
解决什么问题
EEG 的受试者间差异、运动伪迹与运动规划差异导致 BCI 泛化性差、校准过程冗长。
方法
提出个体切空间对齐（ITSA），含受试者特定重中心、分布匹配与监督旋转对齐；将正则化共空间模式（RCSP）与黎曼几何以并行和串行方式融合。
局限
从研究设计看，为方法学研究，未报告具体受试者数量与数据集细节；代码称将在发表时公开。
AI 依据原文整理，未经人工核对。
来源：arXiv eess.SP（Signal Processing） · arxiv.org