ReCIL：用于跨被试运动想象分类的基于回放的类别增量学习

基于摘要分析。该研究针对 EEG 运动想象（MI）分类中类别集合固定、增加新类别时通常需要重新收集各类数据并重新训练的问题，提出基于回放的类别增量学习方法 ReCIL。模型按顺序学习新的 MI 类别，并在测试被试与训练被试不同的跨被试条件下进行评估，目标是在学习新类别的同时保留旧类别知识，避免每次从头训练。 方法包含三个机制：利用 Euclidean Alignment 减小被试间 EEG 数据分布偏移；通过全局—局部回放保留旧任务知识；利用降维提高 EEG 样本间相似度计算的可靠性。其阅读价值在于同时处理跨被试迁移与类别扩展，而非仅在固定类别集合上优化分类。摘要未说明回放样本的选取、存储形式与容量，也未给出降维方法、相似度定义或训练损失，尚不能判断这些模块的具体实现及各自贡献。 作者报告，在三个公开 MI 数据集上的实验中，ReCIL 在学习新类的可塑性与保持旧类的稳定性之间取得了良好平衡。摘要未提供数据集名称、被试划分、类别到达顺序、对照基线及量化指标，因此不能据此判断性能提升幅度或不同增量阶段的遗忘程度。作者将其定位为据其所知首项面向 MI 分类的跨被试类别增量学习研究，该优先性声明尚未独立核实。 复现时需核对跨被试划分、类别增量协议、旧类回放预算，以及 Euclidean Alignment 在训练与测试阶段所需的数据条件；尤其需要区分“无需保留全部旧数据”与“完全无需访问旧数据”。实验协议、消融及统计信息尚未验证。