# 跨数据集迁移

不同实验室的脑电帽电极数量与排布不同，记录甚至不共享同一个观测空间，跨数据集解码因此长期受限。hTSMNet 在解码骨干前加了一个由电极坐标生成的线性映射，把任意电极布局投影到 15 个固定头皮锚点，映射不含受试者专属参数，未见过的受试者与数据集可直接零样本对齐。在三个运动想象数据集、172 名受试者的留一数据集基准上，它零样本与最强对照持平，加入少量只重训末层分类器的校准试次后在每个数据集上都取得最高准确率。

不同实验室的脑电帽电极数量与排布不同，记录甚至不共享同一个观测空间，跨数据集解码因此长期受限。hTSMNet 在解码骨干前加了一个由电极坐标生成的线性映射，把任意电极布局投影到 15 个固定头皮锚点，映射不含受试者专属参数，未见过的受试者与数据集可直接零样本对齐。在三个运动想象数据集、172 名受试者的留一数据集基准上，它零样本与最强对照持平，加入少量只重训末层分类器的校准试次后在每个数据集上都取得最高准确率。

当目标只占画面一小块时，整图质量评分会被背景主导，而公开基准又没有目标级人工评分。BiCG-Net把目标框向外扩成嵌套图块序列，用11个冻结的图像质量评估模型分别打分，再对同一图像内两块读数作差，从数学上消掉目标项与教师偏置。在CSIQ与LIVEC上，学生网络对人工MOS的PLCC分别为0.9009和0.9133，均高于最佳单教师与教师共识；冻结后从CSIQ零样本迁移到LIVEC，PLCC为0.8416，比共识高0.1947。

当目标只占画面一小块时，整图质量评分会被背景主导，而公开基准又没有目标级人工评分。BiCG-Net把目标框向外扩成嵌套图块序列，用11个冻结的图像质量评估模型分别打分，再对同一图像内两块读数作差，从数学上消掉目标项与教师偏置。在CSIQ与LIVEC上，学生网络对人工MOS的PLCC分别为0.9009和0.9133，均高于最佳单教师与教师共识；冻结后从CSIQ零样本迁移到LIVEC，PLCC为0.8416，比共识高0.1947。

可穿戴传感器活动识别长期受制于固定通道数的输入层，换数据集就要重设网络。UniHAR 用通道无关的逐通道描述子把不同传感器布局投影到统一特征空间，再以三种时间尺度分块并用傅里叶混合捕捉步态等周期结构。同一套骨干在 UCI-HAR、Opportunity、Daphnet、PAMAP2 上分别取得 96.35%、94.45%、96.44%、99.23% 的准确率，参数量在 0.7–0.9M 之间。

可穿戴传感器活动识别长期受制于固定通道数的输入层，换数据集就要重设网络。UniHAR 用通道无关的逐通道描述子把不同传感器布局投影到统一特征空间，再以三种时间尺度分块并用傅里叶混合捕捉步态等周期结构。同一套骨干在 UCI-HAR、Opportunity、Daphnet、PAMAP2 上分别取得 96.35%、94.45%、96.44%、99.23% 的准确率，参数量在 0.7–0.9M 之间。

该研究针对阿尔茨海默病（AD）中抑郁难以刻画的问题，构建了一个整合图片描述任务中语言与声学特征的可解释多模态框架，采用源信息跨数据集迁移策略弥补目标AD队列缺乏直接抑郁标签的不足，通过无监督聚类在AD队列中识别出两个语音亚表型，并发现其中一个簇在共享潜空间中与抑郁标注源语料的抑郁中心具有余弦相似度意义上的数学接近性，随后用代理监督分类任务验证簇的可分性，保留的多模态人工神经网络在独立内部留出测试集上取得92.73%的簇可分性准确率，同时用SHAP分析提取特征归因并整理为多模态分类体系，还推导了多模态SHAP归因幅度（MSAM）分数作为探索性模型归因指标。

该研究针对阿尔茨海默病（AD）中抑郁难以刻画的问题，构建了一个整合图片描述任务中语言与声学特征的可解释多模态框架，采用源信息跨数据集迁移策略弥补目标AD队列缺乏直接抑郁标签的不足，通过无监督聚类在AD队列中识别出两个语音亚表型，并发现其中一个簇在共享潜空间中与抑郁标注源语料的抑郁中心具有余弦相似度意义上的数学接近性，随后用代理监督分类任务验证簇的可分性，保留的多模态人工神经网络在独立内部留出测试集上取得92.73%的簇可分性准确率，同时用SHAP分析提取特征归因并整理为多模态分类体系，还推导了多模态SHAP归因幅度（MSAM）分数作为探索性模型归因指标。