基于平衡且信息丰富的记忆缓冲区的流式 EEG 在线持续解码

基于摘要分析。本文研究被试依次到达时的流式 EEG 在线持续解码，针对分类器学习后续被试后遗忘既有被试知识的问题，提出动态选择样本的小型平衡记忆缓冲区，并在被试身份未知时加入基于核方法的被试变化检测。 问题设置：系统不能预先获得来自不同被试的大规模数据进行联合训练，还需应对被试间数据量不均衡、流式信号解码难度变化及长期持续分类。该设置不同于预先汇集多个被试训练数据的经典 Cross-subject 解码；研究关注顺序学习过程中对已见被试性能的保持，而非仅评估对未见被试的泛化。 核心机制：记忆数据的动态选择同时考虑数据量与信息量，以构建小型、平衡的记忆缓冲区。摘要未说明信息量的计算方式、平衡约束、缓冲区容量、样本参与训练的具体流程或损失函数。在 subject agnostic 场景中，作者采用基于核方法的检测机制在线识别潜在被试切换，并称其计算效率较高；核函数、检测阈值及其与记忆更新的配合方式尚未验证。 评估与结果：作者构建了被试顺序到达的流式 EEG 基准，涵盖各被试数据量平衡与不平衡两类设置，并报告开展了广泛实验及详细消融。作者报告，该方法能够在长期顺序解码中保持所有已见被试的性能。摘要未提供数据集名称、任务、被试数、数据划分、评价指标、对照方法或具体数值，因此不能量化遗忘缓解幅度，也不能直接与其他 Cross-subject 结果比较。 复现时需核对被试到达顺序、训练与测试划分、标签可用性、记忆容量及更新策略，以及被试变化检测的误报、漏报和计算开销。实验协议、消融及统计信息尚未验证。作者提出真实应用潜力，但摘要所述证据不等同于临床辅助或康复场景中的有效性验证。