A review on transfer learning approaches in brain–computer interface

脑机接口（BCI）通过解析脑电图（EEG）信号，实现人脑与计算设备之间的信息交流。其目标是在不依赖肌肉活动的前提下，实现外部设备的控制。

EEG 信号具有高维、噪声大和非平稳等特性，导致模型训练和特征提取复杂。尤其是在新用户或新会话中，BCI 系统需重新校准，耗时长、用户负担重，限制了其广泛应用。

迁移学习作为一种跨任务知识迁移策略，正成为 BCI 校准瓶颈的重要方法。其核心思想是将已有用户或会话中的模型知识迁移至新用户或新会话，减少训练样本需求。

在 BCI 中，迁移学习分为跨时间和跨用户两类。前者适用于同一用户多次使用，适应其脑电特征变化；后者则在不同用户之间迁移已有模型或特征表示，显著降低新用户训练成本。

特征层迁移方法将源域中的 EEG 特征映射迁移至目标域，模型层迁移则直接复用已有模型参数。实例迁移方法通过筛选合适的源样本辅助目标训练，提升泛化能力。

高维非平稳 EEG 信号的特性是迁移学习的挑战之一。相关工具如 非平稳信号工具 和 Sperling 平稳性计算，有助于识别时变特征，辅助模型适应变化。

Matlab 平台广泛用于 BCI 系统开发，文献中提出的 基于脑电图的脑机接口质量指数 了可量化的评估标准，支持迁移学习效果验证和系统优化。

随着 SSVEP 等 BCI 子领域的发展，SSVEP 数据集和开发资源逐步丰富，为迁移学习在特定任务中的应用数据支撑。平台如 BCI2000 为跨用户数据整合与了技术基础。

未来，隐私保护、源域选择策略、泛化能力评估将成为迁移学习在 BCI 中进一步落地的关键研究方向。