采用统计技术和可训练方法明确地对齐深度学习模型各层的特征分布，以应对跨数据集、受试者和记录会话的强协变量转移，从而构建针对 EEG 解码的主体无关的深度学习模型，该方法在 2021 年的 BEETL 比赛中获得了第一名。

Feb, 2022

系统评估了欧几里得对齐与深度学习相结合在解码脑 - 计算机界面信号中的影响，结果显示欧几里得对齐提高了目标主体解码率 4.33%，同时减少了超过 70% 的收敛时间。

Jan, 2024

基于深度学习模型和统计领域适应技术，本研究介绍了获得 EEG 转移学习竞赛冠军的 Latent Alignment 方法，并将其表述为应用于给定受试者试验集的深度集合；实验结果表明，在深度学习模型的较晚阶段进行统计分布对齐有助于分类准确性，同时研究了深度学习模型中可能产生虚假改善结果的类别区分偏差以及类别不平衡对对齐的影响。

Nov, 2023

该研究介绍了如何使用转移学习和元学习技术，来处理来自不同来源的生物信号数据，以解决医疗诊断和脑 - 机器接口任务的自动化问题。在这个研究里，以脑电图 (EEG) 为例，设计两项转移学习挑战任务，并通过竞赛验证了这些方法的效果。

Feb, 2022

应用电脑脑电波信号物理学的方法，通过字段插值将脑电通道映射到固定位置，实现源域适应，提高了脑机接口和潜在生物标志应用的分类性能。

Mar, 2024

本文介绍一种基于深度学习的脑机接口技术，通过使用多组数据进行训练，实现了一定的性能，同时通过迁移学习，使得该技术能够用于不同用户，从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题，该技术有望提高脑机接口技术的临床应用性和可行性。

Jan, 2023

基于脑电图信号和解码脑活动的病理诊断在理解神经系统疾病方面具有巨大重要性；随着人工智能方法和机器学习技术的发展，准确的数据驱动诊断和有效的治疗潜力显著增长。然而，将机器学习算法应用于现实世界的数据集在多个层面上都面临各种挑战；特别是在低范围的场景中数据标记稀缺，由于征募费用高昂，真实患者群体的可用性有限，一直强调了规模化和迁移学习技术的重要部署。本研究探讨了一个真实的病理分类任务，以突出数据和模型规模化以及跨数据集知识迁移的有效性；观察到通过数据规模化而产生的性能改进程度不同，表明需要进行谨慎评估和标注；此外，我们还确定了可能的负迁移的挑战，并强调了克服分布迁移和潜在虚假相关性的一些关键组成部分的重要性，实现积极的迁移；当已有少量标记数据时，通过使用源数据集的知识（如 TUAB 数据集），我们发现目标模型在目标（NMT）数据集上表现得更好；我们的发现表明，一个小型和通用的模型（如 ShallowNet）在单个数据集上表现良好，然而，一个较大的模型（如 TCN）在从较大和多样化的数据集中进行迁移和学习时表现更好。

Sep, 2023

该研究探讨了通过脑电图记录未受影响手臂的活动，以学习个体化机器学习模型来支持患者康复，结果表明预测运动的分类器在选定的受双边运动意图诱发的脑电图通道上训练时与全面训练脑电图数据的分类器在单边运动意图上的表现差异不显著。这一方法可在实际治疗中使用，与几个脑电图通道的数据训练有效，对于中风患者的进一步研究具有潜力。

Feb, 2024

本文探讨了基于可解释 AI 方法对 EEG 信号进行特征提取，以解决数据集漂移问题，对情感识别表现进行实验分析，结果表明该方法使得模型可更好地泛化。

Oct, 2022

通过使用图神经网络和转移学习技术，可以有效地从多个使用不同电极布局的 EEG 数据集中聚合知识，从而在主体独立的 MI EEG 分类中实现更好的泛化。

Jun, 2023