脑机百科消息(bciwiki.com)，据《Artificial Intelligence in Medicine》2026年9月20日发表的研究，研究人员提出CDR-WDD深度域适应模型，用于跨被试运动想象（motor imagery，MI）脑电（EEG）分类。研究针对的是不同参与者之间的数据分布差异，即同类任务的脑电特征可能因参与者、记录环境和设备不同而变化。
作者指出，部分既有深度域适应模型的特征表示较简单，并且在学习跨参与者共用特征时可能出现梯度消失，使训练难以继续有效更新。CDR-WDD将综合深层特征表示与基于Wasserstein域判别器的对抗学习结合，通过加权联合优化特征表示和对抗学习的损失，旨在获得更全面的特征并保持稳定的学习梯度。
在BCIIV-2a、BCIIV-2b、OpenBMI和WCCI这4个基准数据集上，模型的平均准确率分别为84.34%、89.59%、73.32%和87.75%，对应的Cohen's kappa值分别为0.790、0.802、0.466和0.755。Cohen's kappa用于衡量扣除偶然一致影响后的分类一致性。作者报告，该模型在这些测试中优于所比较的先进深度域适应模型。
研究还通过消融实验检验CDR与WDD两个模块的作用。作者将该模型视为构建脑机接口（brain-computer interface，BCI）的一种新选择；本次证据涉及基准数据集上的分类表现，不等同于已经验证实际在线控制能力或康复效果。