W systemach BCI opartych na SSVEP metody z uczeniem indywidualnym   zwykle osiągają istotnie lepsze wyniki rozpoznawania częstotliwości niż podejścia bez  treningu. Problemem jest jednak to, że zbieranie danych treningowych dla indywidualnych użytkowników wymaga eksperymentów kalibracyjnych, które są czasochłonne, obciążające dla użytkownika, co zniechęca do regularnego korzystania z systemów BCI.

Uczenie transferowe (TL, transfer learning) jest naturalnym kandydatem do złagodzenia tego problemu, ale typowe podejścia wymagają albo pewnej liczby próbek z domeny docelowej (nowy użytkownik / nowy system), albo bardzo dużej bazy danych z domeny źródłowej. W pracy po raz pierwszy wprowadza się koncepcję uczenia transferowego między zbiorami danych (cross-dataset transfer learning) w kontekście SSVEP, aby wykorzystać wiedzę zgromadzoną w innych bazach danych EEG. Autorzy zauważają przy tym poważne wyzwanie: niedopasowanie danych (data mismatch) pomiędzy zbiorami, które znacząco ogranicza skuteczność przenoszenia wiedzy. 

Aby temu zaradzić, proponują algorytm dekodowania TL-SSVEP kalibrowany danymi jedno-próbkowymi, nazwany TL-CSTD (Transfer Learning with Cross-Subject and Single-Trial Data). W szczególności wykorzystuje się jedynie 2 sekundy  jednopróbkowych danych kalibracyjnych z domeny docelowej przy częstotliwości 8 Hz do wyznaczenia dopasowanych wzorców transferowych z domeny źródłowej. Następnie wzorce te są korygowane tak, aby wydobyć zarówno globalną, jak i jednosegmentową wiedzę transferową, która służy do budowy wydajnego modelu dekodowania TL-SSVEP dla nowego użytkownika.

Eksperymenty przeprowadzone na trzech dużych zbiorach danych SSVEP pokazują, że opracowana metoda TL-CSTD skutecznie redukuje problem niedopasowania danych i osiąga bardzo dobre wyniki rozpoznawania, korzystając z minimalnej – 2-sekundowej – kalibracji jednopróbkowej. Wskazuje to na duży potencjał takiego podejścia dla praktycznych systemów BCI, które mają być łatwe w użyciu i szybkie w uruchomieniu.