基于记忆投影策略的癫痫发作预测持续学习

基于摘要分析，当前材料仅包含研究 Highlights，未取得论文全文。研究面向患者数量动态增加时的 EEG 癫痫发作预测，提出 Patient-IL 增量学习设定及记忆投影（MP）策略，旨在降低持续学习中的灾难性遗忘（CF）。其主要研究对象是癫痫发作预测，而非通用 BCI 任务。 机制方面，材料将遗忘问题与 EEG 数据之间的干扰联系起来。MP 构建动态投影矩阵，并通过弱相关性优化减少干扰、促进知识迁移，同时利用降维降低计算开销。作者称该策略可与不同算法结合，具有灵活性和可移植性；但投影作用于何种表示、矩阵如何更新、弱相关性如何定义，以及训练目标与记忆保存方式，尚未验证。 结果方面，作者报告，在 Patient-IL 设定下的多个数据集实验中，MP 将遗忘率降至低于 5%，表现与领先的持续学习策略相当。材料未提供数据集名称、患者数量、患者增量顺序、数据划分、遗忘率定义或具体对照，因此该数值只能按作者报告保留，不能等同于预测 Accuracy，也不足以判断跨被试或跨会话泛化能力。 复现时需核对患者增量学习的任务边界、发作前期与非发作期定义、训练及测试划分、遗忘指标与预测性能之间的权衡，并确认动态投影的计算成本及不同增量顺序下的稳定性。实验协议、消融及统计信息尚未验证，代码与复现条件亦未由当前材料确认。