抽象目标。本研究旨在建立一个广义的转移学习框架，以通过利用跨域数据传输来提高稳态视觉诱发电位（SSVEP）基于脑部计算机界面（BCIS）的性能。方法。我们通过结合了最小二乘转换（LST）的转移学习来增强基于最新的模板的SSVEP解码，以利用跨多个域（会话，主题和脑电图蒙太奇）利用校准数据。主要结果。研究结果验证了LST在跨域传输现有数据时消除SSVEP的可变性的功效。此外，基于LST的方法比标准与任务相关的组件分析（TRCA）的方法和非第一个天真转移学习方法明显更高的SSVEP解码精度。意义。这项研究证明了基于LST的转移学习能够在各种情况下对其原理和行为进行深入研究，从而利用主题和/或设备的现有数据。当校准数据受到限制时，提出的框架显着提高了标准TRCA方法的SSVEP解码精度。其在校准减少方面的性能可以促进基于SSVEP的BCIS和进一步的实用应用。