WAVE：基于最优传输的跨被试 EEG 解码域增量学习与泛化

基于摘要分析。该研究针对个体间 EEG 分布差异导致解码模型在新被试上性能下降的问题，提出 WAVE，将跨被试适应建模为域增量学习（DIL），通过合成回放记忆和虚拟被试增强支持顺序适应与泛化。 核心机制是将每个被试视为一个域，并表示为类别之上的层次概率测度；回放记忆则表示为被试之上的概率测度。这两级表示构成 Wasserstein over Wasserstein（WoW）空间中的对象。WAVE 通过最小化该空间中的最优传输散度学习回放缓冲区，并在已存储域与新到达域之间生成虚拟被试，用于数据增强。摘要未说明概率测度的具体构造、散度计算、合成样本优化方式，以及新被试适应是否需要标签。 作者报告，将 WAVE 应用于 EEG 基础模型后，能够改善稳定性、可塑性与泛化之间的权衡，并在不存储真实 EEG 的条件下达到与强回放基线相当的表现。这里的稳定性对应保留既有知识，可塑性对应适应新域；但摘要未给出数据集、任务、被试数量、顺序设置、模型名称、指标及具体结果，因此尚不能判断结论适用于哪些跨被试评估协议。 回放记忆保存压缩的合成被试而非原始记录，是该方法区别于真实数据回放的重要设计。作者据此强调避免保留隐私敏感 EEG 数据，但不保存原始数据不等于已经建立隐私保证；合成记忆是否泄露个体信息及相关评估尚未验证。复现时需核对合成记忆的容量与计算成本、被试到达顺序、旧被试保留性能与未见被试泛化的评估边界，以及与回放基线的预算匹配。实验协议、消融及统计信息尚未验证。