利用面向受试者的低秩适配器减轻 EEG 解码中的主观依赖性
机器学习
2026-02-23 v2
摘要
受试者特定的分布迁移代表了开发面向大脑解码的基础模型的根本性障碍。我们提出了受试者特定低秩适配器 (SuLoRA)，它是标准线性或卷积层的即插即用替换方案，通过将权重分解为共享的、受试者不变的组件和轻量级、针对每个受试者唯一的低秩校正来捕获受试者间的变异性。这种显式分离使现有架构能够在无需架构 redesign 的情况下对受试者迁移具有鲁棒性。我们在 CNN 和 transformer 架构上对 SuLoRA 进行评估。在语音解码任务中，SuLoRA 以半数的参数超过基线性能。在运动想象数据集上，SuLoRA 超过了受试者不敏感模型和独立训练的受试者特定模型。SuLoRA 为脑信号应用的有效跨受试者基础模型提供了一条实用路径。
引用
@article{arxiv.2510.08059,
title = {Mitigating Subject Dependency in EEG Decoding with Subject-Specific Low-Rank Adapters},
author = {Timon Klein and Piotr Minakowski and Sebastian Sager and Steffen Schotthöfer},
journal= {arXiv preprint arXiv:2510.08059},
year = {2026}
}