NeuroOnline：衔接 EEG 基础模型的预训练与在线适应

基于摘要分析。本文针对 EEG 基础模型预训练目标与下游任务不一致，以及静态部署难以适应在线分布偏移的问题，提出 Online Neural Adaptation（NeuroOnline）统一框架，以表征对齐和动态调制支持持续在线适应。 框架包含两项互补机制：多视图一致性学习通过跨视图对齐促进表征一致性，旨在增强对分布偏移的鲁棒性；上下文感知表征调制通过可学习 prompt 与 EEG 表征之间的 cross-attention，在数据分布变化时自适应调制表征。摘要未说明视图的构造方式、一致性损失的具体形式、prompt 的更新策略，以及在线阶段哪些参数参与优化，因此尚不能确定训练与推理的完整流程，也不能将其直接等同于特定的测试时自适应协议。 作者报告，在多个 EEG benchmark 的在线评估中，NeuroOnline 持续优于强基线，并在分布偏移下取得稳健表现。摘要未提供 benchmark 名称、任务类型、被试规模、数据划分、指标或具体数值，也未明确偏移属于跨被试、跨会话还是其他情形，故目前无法量化改进幅度或判断适用边界。 复现时需重点核对预训练与下游适应的衔接方式、在线数据到达和预测—更新顺序、标签可用性、更新成本，以及两项机制各自与组合后的贡献。这些均为待核对事项，不代表作者未开展相应实验。摘要提供了代码地址，但代码内容及其与论文实验的一致性尚未验证；实验协议、消融及统计信息尚未验证。