IEEE Transactions on Neural Networks and Learning Systems

研究者提出名为U2Multi-UDA的统一多层级多源无监督域适应框架，用来缓解运动想象脑机接口长期存在的两个障碍，即被试之间差异大、目标域标注数据稀缺。作者称，既有方法大多只在域对齐、特征交互或模型微调其中一个层级上着力，跨域适应因此并不完整。该框架把三个层级并入同一条流水线，先由最优传输对齐源域与目标域分布，同时以互信息估计各源域对目标域的相关性权重；再抽取脑电时空特征并经多源交叉注意力融合，由相关性权重引导跨域特征融合，用伪标签强化目标域特征学习；最后以分段权重分解低秩适应完成参数高效的目标域微调，抑制过拟合。在两套公开数据集与一套自建数据集上，该方法较各自表现最好的基线平均准确率分别提升2.69、1.89、3.83个百分点，Kappa值同步改善。

该研究提出函数预定义卷积神经网络（FPCNN）用于自发EEG脑机接口信号解码。研究指出，经典解码方法依赖人工特征但性能有限，神经网络方法虽有显著提升但可解释性与计算效率较低；FPCNN通过可学习的函数预定义卷积（FPC）层搜索自发EEG的关键空间频率参数，使参数具有清晰物理意义，并构建基于FPC的可训练正交检测器以捕捉复杂相位变化信号。在三个自发EEG数据集上，FPCNN较最先进方法分别提升2.09%、3.08%和3.41%，且其非GPU环境的单轮训练与测试时间仅需67.96和19.36秒。作者认为，该方法的计算与时间节省有利于多样化环境中的EEG处理。