В статье представлен новый метод глубокого обучения для классификации сигналов электроэнцефалографии (ЭЭГ), основанный на концепции переноса знаний между различными пользователями (cross-subject). Основная проблема, решаемая исследователями, заключается в высокой индивидуальной вариабельности ЭЭГ-сигналов, что требует длительной калибровки системы для каждого нового пользователя. Авторы предлагают архитектуру, использующую дискриминатор домена Вассерштейна для выравнивания распределений данных от разных субъектов в общем пространстве признаков. Методология включает извлечение глубоких представлений из сырых сигналов ЭЭГ с последующим применением оптимального транспорта для минимизации расстояния Вассерштейна между источниками и целевыми доменами. Это позволяет модели обобщать знания, полученные на данных одного пользователя, на данные другого без необходимости повторной калибровки. Исследование демонстрирует высокую точность классификации моторной воображаемой деятельности (motor imagery), что критически важно для разработки надежных интерфейсов «мозг-компьютер» (BCI). Результаты показывают, что предложенный подход превосходит существующие методы доменного выравнивания по стабильности и производительности на различных наборах данных ЭЭГ. Работа имеет значительный потенциал для применения в реабилитации и управлении протезами, где быстрая настройка системы является ключевым фактором.