# EEGNet

两项独立的听觉事件相关电位VR研究中，深度模型在分类晕动相关不适时反复指向同一批头皮位置：左额、中央与右顶区域，以及刺激后约80至260毫秒的早期时间窗。研究用可解释性图把模型判断归因到具体电极与时间点，并在不同国家、不同头显、不同脑电系统与不同VR任务的两批数据上得到相关模式。跨被试泛化仍有限，个体校准后准确率明显提升，说明这些特征目前更适合作为待检验的候选标记。

两项独立的听觉事件相关电位VR研究中，深度模型在分类晕动相关不适时反复指向同一批头皮位置：左额、中央与右顶区域，以及刺激后约80至260毫秒的早期时间窗。研究用可解释性图把模型判断归因到具体电极与时间点，并在不同国家、不同头显、不同脑电系统与不同VR任务的两批数据上得到相关模式。跨被试泛化仍有限，个体校准后准确率明显提升，说明这些特征目前更适合作为待检验的候选标记。

该工作把个性化联邦学习（所有受试者共享一个主干、每人保留自己的分类头）适配到黎曼SPDNet，并与标准联邦学习和集中式训练对比，以欧氏EEGNet为基线，在三个通道数、受试者数和类别数各异的运动想象数据集上观察到：个性化SPDNet准确率高于标准联邦与集中式训练，收敛轮数更少、通信参数更少，并在三个数据集中的两个上超过所有EEGNet配置，但集中式EEGNet优于集中式SPDNet。

该工作把个性化联邦学习（所有受试者共享一个主干、每人保留自己的分类头）适配到黎曼SPDNet，并与标准联邦学习和集中式训练对比，以欧氏EEGNet为基线，在三个通道数、受试者数和类别数各异的运动想象数据集上观察到：个性化SPDNet准确率高于标准联邦与集中式训练，收敛轮数更少、通信参数更少，并在三个数据集中的两个上超过所有EEGNet配置，但集中式EEGNet优于集中式SPDNet。