具备持续学习能力的超低功耗可穿戴 BMI 系统

基于摘要分析。该研究针对可穿戴 BMI 中 EEG 跨会话变化与端侧计算资源受限的问题，提出基于 CNN 的持续学习（Continual Learning，CL）流程，并部署于超低功耗可穿戴平台 BioGAP，旨在兼顾分类性能、适应速度与电池续航。 技术机制上，研究以紧凑 CNN 执行分类，通过端侧持续学习适应会话间变化，并在 Parallel Ultra-Low Power（PULP）微控制器 GAP9 上实现。摘要未交代 CNN 结构、持续学习策略、更新参数范围、适应所需标签及数据量，因此尚不能判断其属于何种监督条件下的适应，也不能将其直接归类为测试时自适应。 作者报告，在两个内部数据集 Dataset A 与 Dataset B 上，CL 流程使平均 Accuracy 分别最多提升 30.36% 和 10.17%。摘要未明确比较基线、数据划分，以及这些百分比表示相对提升还是百分点变化，因此应保留原表述，不能将其解释为最终 Accuracy 或直接用于跨研究比较。具体任务、被试数及跨会话评估协议尚未验证。 端侧实现方面，作者报告 GAP9 上单次推理能耗低至 0.45 mJ、适应时间为 21.5 ms；在 BioGAP 配备 100 mAh、3.7 V 电池的条件下，续航约为 25 h。上述指标分别对应推理、适应与系统续航，需结合全文核对测量边界、更新频率、工作负载及续航计算或实测方式。 其阅读价值在于同时考察跨会话适应与可穿戴部署约束，而不只是离线分类性能。复现前仍需核对内部数据的可获得性、训练与适应流程、基线及消融；实验协议、统计信息和代码开放情况尚未验证。摘要所述隐私与低延迟优势属于作者对端侧部署的判断，不能据此认定已完成独立隐私评估或真实长期使用验证。