编辑推荐：
在 SSVEP-BCIs 中，常用微调方法需目标受试者涵盖所有类别数据，数据收集耗时长。本研究提出 ShallOw Fine-Tuning（SOFT）方法，仅用部分类别数据更新浅层参数。实验表明其准确率更高、需校准类别更少，提升了 SSVEP-BCIs 实用性。
在基于稳态视觉诱发电位（SSVEP）的脑机接口（BCIs）中，迁移学习（TL）尤其是通过预训练和微调的应用，显著降低了校准工作量。但常用的端到端微调和最后一层微调等方法，需要目标受试者提供涵盖所有类别（刺激）的数据，导致数据收集过程耗时，尤其在多类别系统中。为解决这一挑战，本研究引入一种简单有效的浅层微调（ShallOw Fine-Tuning，SOFT）方法，以大幅减少模型微调所需的校准类别数量，从而进一步减轻目标受试者的校准负担。具体而言，SOFT 在微调过程中冻结深层参数，同时更新浅层参数。冻结深层参数可保留模型在预训练中建立的识别所有类别语义和高层特征的能力。此外，在 SSVEP-BCIs 中，不同类别的数据表现出相似的个体特异性低层特征。因此，仅用部分类别数据更新负责处理低层特征的浅层参数，可使微调后的模型有效捕捉所有类别共有的个体相关特征。研究利用两个公开数据集验证了 SOFT 的有效性。与常用的端到端和最后一层微调方法对比分析显示，SOFT 在需要更少校准类别的同时实现了更高的分类准确率。所提出的 SOFT 方法通过降低校准类别要求，进一步减少了目标受试者的校准工作量，从而提高了 SSVEP-BCIs 在现实应用中的可行性。
