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

本文介绍了一种转移学习技术，Transfer Euclidean Alignment，用于解决在临床应用中部署机器学习模型时由于主体间的高度变异性而面临的挑战。通过在各种基于规则的经典机器学习模型以及基于 EEGNet 的深度学习模型上进行评估，包括人类和小鼠数据在内的不同数据集的二分类任务中，证明了该转移学习技术的稳健性，在种内数据集上平均提高了 14.42％，在种间数据集上提高了 5.53％，强调了在使用多样化数据集进行训练时使用转移学习来改善机器学习和深度学习模型的性能的重要性。

Oct, 2023

通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

Jan, 2019

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

我们的研究旨在开发一个深度学习算法，它能在较少数量的电极上提供有效的结果，并通过使用 SPDNet 的增强协方差方法来分析其性能和计算影响以及结果的解释性。通过使用 Mother Of All BCI Benchmark（MOABB）框架在 5 折交叉验证上对方法进行评估，使用仅位于运动皮层上方的三个电极进行实验验证。结果表明，我们的 SPDNet 在 MI 解码方面明显优于所有当前最先进的深度学习架构。

Mar, 2024

本文提出了一种基于联邦学习的隐私保护深度学习架构，名称为 FTL，用于 EEG 分类，通过领域自适应技术从多个受试者的 EEG 数据中提取共同的区分信息。在实验中，FTL 方法在保护隐私的前提下，相对于其他最先进的 DL 架构，在 2 类动作想象分类任务中进行了性能评估，表现出更好的性能。

Apr, 2020

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

使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。

Nov, 2023

我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net)，通过 3D 卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数，以及对目标域数据的部分微调，解决了脑机接口中相邻通道的相关性表示和个体差异的问题，在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能，分别达到 70.42% 和 73.91% 的准确率。

Sep, 2023

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