面向校准高效的跨被试 BCI 的 EEG 基础模型脉冲式适配

基于摘要分析。研究针对 EEG BCI 的跨被试差异及个体化适配开销，提出将预训练 EEG 基础模型与轻量神经形态脉冲模块结合的框架，在不修改预训练骨干的条件下，利用少量校准试次实现个体化。 核心机制是由基础模型提取可迁移的潜在表征，再由事件驱动的脉冲模块通过稀疏计算捕捉被试特异的时间变化。其可核对的设计重点在于将通用表征与个体化适配分离，而非更新完整骨干。摘要未给出基础模型名称、脉冲编码方式、模块结构、损失函数及具体训练流程，这些内容尚未验证。 作者报告，在涵盖运动想象、P300/ERP、SSVEP 和多会话视觉范式的四个 EEG 数据集、共 175 名参与者上，采用留一被试、跨会话及少样本协议，与全量微调、线性探测、迁移学习方法、轻量适配器和神经形态模型比较。作者报告平均跨被试 Accuracy 为 86.7%、macro-F1 为 0.861，使用 10% 校准数据时 Accuracy 为 84.9%；这些汇总值对应的逐数据集结果、校准数据分母及聚合方式尚未验证，不宜视为各任务均达到相同性能。 作者报告，相较全量微调，适配时间减少 87.6%、可训练参数减少 98.9%；适配路径每试次耗能为 0.42 mJ，跨会话性能下降为 4.3 个百分点。该能耗仅指适配路径，不能直接代表基础模型推理及完整 BCI 系统的能耗。作者还报告，被试层面的改善经 Holm–Bonferroni 校正后仍显著（p < 0.001），但对应比较及统计单位需核对全文。 复现重点包括骨干预训练数据与评估被试的关系、各协议的划分和校准试次配置、基线适配预算，以及计时与能耗的硬件条件。实验协议、消融及统计信息尚未验证；目前证据支持进一步核查该适配方案，尚不能据此确认可穿戴设备上的端到端部署收益。