用于脑电运动想象解码的无校准在线测试时自适应

脑机接口（BCIs）为连接人脑与外部设备提供了一条有前景的途径，其解码能力取得了显著进展，主要由日益复杂的技术尤其是深度学习推动。然而，由于会话与受试者之间的分布偏移，在真实场景中实现高精度仍具挑战。在本文中，我们将探索在线测试时自适应（OTTA）的概念，以在推理阶段以无监督方式持续自适应模型。我们的方法通过消除自适应过程中访问源数据的需求来保证隐私保护。此外，OTTA通过不要求任何会话或受试者特定数据实现了无校准操作。我们将使用轻量架构及不同的OTTA技术（如对齐、自适应批归一化和熵最小化）研究脑电（EEG）运动想象解码任务。我们考察了两个数据集和三种不同的数据设置以进行全面分析。我们的自适应方法产生了最先进的结果，可能促使BCI解码的迁移学习向在线自适应转变。