Metody dekodowania sygnałów SSVEP oparte na uczeniu nadzorowanym  osiągają dziś dobre wyniki, ale zwykle wymagają rozbudowanej kalibracji – osobno dla każdego bodźca i każdego użytkownika. Jest to uciążliwe i czasochłonne, co utrudnia praktyczne wdrażanie systemów BCI na szerszą skalę. 

W pracy zaproponowano ramy uczenia transferowego między bodźcami, oparte na tzw. wspólnych okresowych komponentach powtarzalnych (common period repetition components, CPRC), aby przyspieszyć proces kalibracji. Najpierw konstruuje się „tryb bodźca źródłowego”, który wykorzystuje periodycznie powtarzające się komponenty sygnału do zbudowania syntetycznego wzorca SSVEP oraz zespołowego filtra przestrzennego dla bodźca źródłowego. Następnie, wykorzystując wspólne informacje pomiędzy wzorcami komponentów okresowo powtarzalnych w wielu okresach stymulacji, estymuje się wspólną macierz mieszania źródłowego. 

W kolejnym kroku, biorąc pod uwagę podobieństwo pomiędzy bodźcami źródłowymi i docelowymi, buduje się model uczenia transferowego między bodźcami (cross-stimulus transfer learning framework), który pozwala przenosić informacje z jednego zestawu bodźców na inny. Testy offline na publicznych zbiorach danych SSVEP pokazują, że proponowana metoda CSTLF-CPRC przewyższa szereg metod uznawanych za stan sztuki, takich jak filter bank CCA, transfer learning CCA czy common impulse response cross-stimulus transfer learning, w scenariuszach szybkiej kalibracji. 

Co istotne, podejście to wymaga jedynie 16 sekund danych kalibracyjnych do klasyfikacji  40 wzorców sygnałów EEG na dwóch zbiorach danych, osiągając średnia szybkość transferu informacji  (information transfer rate) na poziomie 227,86 ± 106,47 bit/min oraz 162,41 ± 124,29 bit/min. Badanie pokazuje, że stosunkowo niewielka ilość danych kalibracyjnych może wystarczyć do uzyskania wysokiej skuteczności rozpoznawania, co otwiera drogę do bardziej praktycznych, szybciej wdrażanych systemów BCI.