基於穩態視覺誘發電位（SSVEP）的腦機介面（BCI）具有很高的資訊傳輸率，但要讓解碼穩定可靠，通常需要採集足量的受試者個體校準資料，這在實際使用中構成明顯負擔。解析式空間濾波在資料有限時表現不錯，但其線性形式限制了表徵能力；深度模型能夠學習更靈活的表示，卻在校準樣本稀缺時容易過擬合。針對這一矛盾，一篇新近提交到arXiv的論文提出了KDHNet，嘗試把知識驅動的解析處理與資料驅動的表示學習整合進同一框架。
KDHNet的流程分為幾個階段。輸入訊號先經過濾波器組預處理，隨後級聯使用任務判別成分分析（TDCA）和任務相關成分分析（TRCA），從多通道腦電中提取具有判別性、並且在重複試驗間可復現的成分。這兩類解析方法本身依賴對SSVEP訊號特性的先驗知識，因此在小樣本條件下相對穩健。此後，網路引入可學習的子帶權重，對各個頻帶的資訊進行自適應融合，以彌補固定濾波策略在個體差異上的不足。最終的分類由SSVEPformer解碼器完成，它同時學習時間域和頻譜域的表示。
在跨被試場景中，KDHNet使用一種目標引導的最小二乘變換來完成遷移：對每一個類別，只需要目標被試的一個帶標籤試驗，就能把源被試的試驗資料對齊到目標域。這一設計顯著降低了對新使用者校準資料的需求，也使系統更接近即插即用的使用方式。
作者在三個公開資料集上進行了較為系統的實驗，覆蓋被試內與被試間兩種協議、五種分析視窗以及多種校準比例。在被試內評估中，KDHNet在15個視窗設定中的14個、以及全部10個校準比例設定下都取得了最高的平均準確率和資訊傳輸率。在被試間評估中，它的表現處於最佳或次佳水平，而且校準資料越少，相對優勢往往越明顯，這正好對應了該方法想要解決的實際痛點。
消融實驗給出了一個值得注意的結論：由解析方法估計出的TDCA投影，作為固定投影使用反而比繼續最佳化更好，無論最佳化的起點是解析初始化還是隨機初始化。也就是說，在這類低校準任務中，把可靠的知識先驗凍結下來、只讓神經模組承擔可學習的部分，比讓整個網路端到端自由調整更有效。
論文總結認為，將固定的知識先驗與可訓練的神經網路模組相結合，是低校準SSVEP解碼的一條有效路徑，有助於構建更實用、更穩健、支援即插即用的腦機介面系統。該工作共12頁、含7幅圖，程式碼已在GitHub上公開，便於後續研究者復現與擴充套件。