挑对源域避免负迁移，脑电迁移学习准确率最高82.11%

内容概述 该研究提出一种自适应的EEG动态迁移学习框架，以减少运动想象脑机接口（MI-BCI）中的负迁移。研究指出，现有迁移学习方法常合并多个源域，源-目标相似度低时易产生负迁移，且受试者间变异进一步降低迁移学习效果。该框架先用小波变换卷积对EEG时频分解，再通过动态迁移注意力模块匹配源域与目标域样本，最后以联合损失函数减少边际与类别条件差异。在BNCI2014001、BNCI2014002和BNCI2015001数据集上验证，准确率分别为78.78%、82.11%和78.19%，平均准确率优于基线算法（提升0.13%至27.7%）。作者认为，该方法对受试者变异具有稳健性，可增强系统的实际适用性。