基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）具有很高的信息传输率，但要让解码稳定可靠，通常需要采集足量的受试者个体校准数据，这在实际使用中构成明显负担。解析式空间滤波在数据有限时表现不错，但其线性形式限制了表征能力；深度模型能够学习更灵活的表示，却在校准样本稀缺时容易过拟合。针对这一矛盾，一篇新近提交到arXiv的论文提出了KDHNet，尝试把知识驱动的解析处理与数据驱动的表示学习整合进同一框架。
KDHNet的流程分为几个阶段。输入信号先经过滤波器组预处理，随后级联使用任务判别成分分析（TDCA）和任务相关成分分析（TRCA），从多通道脑电中提取具有判别性、并且在重复试验间可复现的成分。这两类解析方法本身依赖对SSVEP信号特性的先验知识，因此在小样本条件下相对稳健。此后，网络引入可学习的子带权重，对各个频带的信息进行自适应融合，以弥补固定滤波策略在个体差异上的不足。最终的分类由SSVEPformer解码器完成，它同时学习时间域和频谱域的表示。
在跨被试场景中，KDHNet使用一种目标引导的最小二乘变换来完成迁移：对每一个类别，只需要目标被试的一个带标签试验，就能把源被试的试验数据对齐到目标域。这一设计显著降低了对新用户校准数据的需求，也使系统更接近即插即用的使用方式。
作者在三个公开数据集上进行了较为系统的实验，覆盖被试内与被试间两种协议、五种分析窗口以及多种校准比例。在被试内评估中，KDHNet在15个窗口设置中的14个、以及全部10个校准比例设置下都取得了最高的平均准确率和信息传输率。在被试间评估中，它的表现处于最佳或次佳水平，而且校准数据越少，相对优势往往越明显，这正好对应了该方法想要解决的实际痛点。
消融实验给出了一个值得注意的结论：由解析方法估计出的TDCA投影，作为固定投影使用反而比继续优化更好，无论优化的起点是解析初始化还是随机初始化。也就是说，在这类低校准任务中，把可靠的知识先验冻结下来、只让神经模块承担可学习的部分，比让整个网络端到端自由调整更有效。
论文总结认为，将固定的知识先验与可训练的神经网络模块相结合，是低校准SSVEP解码的一条有效路径，有助于构建更实用、更稳健、支持即插即用的脑机接口系统。该工作共12页、含7幅图，代码已在GitHub上公开，便于后续研究者复现与扩展。