AnchorInv：通过表征空间引导反演实现生理信号的少样本类别增量学习

基于摘要分析。本文研究生理信号在基础训练数据有限、且新类别逐步到来的条件下，如何学习新类别并保留既有知识，提出少样本类别增量学习（FSCIL）方法 AnchorInv。其核心贡献是以特征空间锚点引导生成合成样本，替代选择和存储原始数据的缓冲区回放方式。 技术机制：AnchorInv 沿用缓冲区回放策略，利用表征空间中的锚点指导样本反演，并以合成样本支持增量适应。作者将这一设计的作用概括为保护隐私、正则化模型适应过程。摘要未说明锚点的构建与更新方式、反演目标、回放调度或基础模型训练细节；不存储原始数据是否能提供可量化的隐私保障，尚未验证。 结果与证据边界：作者报告，在三个公开生理时间序列数据集的评估中，AnchorInv 能缓解知识遗忘、改善新类别适应，并优于其比较的前沿基线。摘要未提供数据集名称、信号模态、类别增量顺序、每类支持样本数、数据划分、基线名称及指标数值，因此目前不能判断其是否覆盖 EEG，也不能据此认定其具有 BCI 有效性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若目标 EEG 任务确实存在新类别逐步加入且旧数据不便保留的场景，锚点引导的合成回放具有可检验的机制对应。可复用的是回放与表征约束思路，需针对 EEG 改造信号生成约束及通道输入；低信噪比、跨被试漂移和少样本锚点偏差可能使合成样本偏离真实信号。一个小规模检验是在固定被试划分、类别顺序与回放预算下，比较无回放、原始样本回放和合成样本回放，分别评估旧类别保留与新类别适应。已有 EEG 相关工作尚未检索确认。