Metody głębokiego uczenia oraz metody filtrów przestrzennych oparte na indywidualnych danych kalibracyjnych zostały już wcześniej potwierdzone jako skutecznie poprawiające wydajność dekodowania w systemach interfejsów mózg–komputer opartych na stacjonarnych wzrokowych potencjałach wywołanych (SSVEP-BCI, steady-state visual evoked potential-based brain–computer interfaces). Jednak takie podejścia wymagają kalibracji online, co ogranicza ich praktyczność oraz dostępność systemu dla użytkowników końcowych.

W celu umożliwienia działania w trybie „plug-and-play”, niewymagającym dodatkowej kalibracji, zaproponowano sieć uczenia kontrastywnego między użytkownikami z różnorodnością domen oraz wzbogacaniem wzorców (CSCLN-DDTE, Cross-Subject Contrastive Learning Network with Domain Diversity and Templates Enhancement) do rozpoznawania częstotliwości SSVEP. W pierwszej kolejności, inspirowani architekturą sieci nauczyciel–uczeń (teacher–student network), autorzy zaprojektowali międzyosobniczy framework uczenia porównawczego (contrastive learning framework), który wykorzystuje wiedzę wstępną modelu nauczyciela do kierowania modelami uczniów z różnych domen w kierunku uczenia specyficznych, dyskryminacyjnych cech komponentów związanych z zadaniem SSVEP.

Następnie skonstruowano periodyczny, powtarzalny wzorzec komponentu zadaniowego na podstawie okresowych właściwości czasowych sygnałów SSVEP, aby wzmocnić nadzór nauczyciela w module TFEN (Task-related Feature Enhancement Network). Dodatkowo wprowadzono metodę augmentacji danych opartą na rekonstrukcji korelacji kanałów, która zwiększa różnorodność domenową próbek treningowych w module SFEN (Spatial Feature Enhancement Network).

Testy offline na dwóch publicznych zbiorach danych wykazały, że proponowany model CSCLN-DDTE przewyższa pod względem skuteczności metody uznawane za stan sztuki, takie jak FBCCA (filter bank canonical correlation analysis), ttCCA (two-stage transfer canonical correlation analysis), DNN (deep neural network), EEGNet oraz TST-CSFR (Transformer-based Spatio-Temporal Cross-Subject Feature Representation). Zaproponowana metoda osiąga średnie szybkości transferu informacji na poziomie 166,27 ± 31,09 bit/min dla zbioru Benchmark oraz 128,39 ± 30,35 bit/min dla zbioru BETA. Osiągnięcie najlepszej skuteczności rozpoznawania bodźców wzrokowych  bez konieczności przeprowadzania indywidualnych prób kalibracyjnych znacząco zwiększa potencjał praktycznego zastosowania systemów SSVEP-BCI w różnych scenariuszach użytkowych, w których wymagana jest szybka konfiguracja i wygoda użytkownika.