利用加权原型从生理数据中进行在线序贯学习：应对跨被试变异

基于摘要分析。该研究面向 EEG、ECG 等生理数据的在线持续学习（Online Continual Learning，OCL），关注跨被试变异导致的灾难性遗忘与性能退化。作者提出 Online Prototypes Weighted Aggregation（OPWA），通过原型网络与加权原型聚合，在适应新数据流的同时保留过去被试的知识。 核心机制是将同一类别的多个原型融合为更具泛化性的表示，聚合时考虑被试之间的类内变化与类间变化。相较于仅适应当前数据流，其研究重点是利用类别原型管理跨被试知识，并兼顾新数据适应与旧知识保留。摘要未给出原型计算、权重确定、更新规则、损失函数或存储机制，这些实现细节尚未验证。 作者报告，在不同模态的生理数据集实验中，OPWA 在快速适应和缓解灾难性遗忘方面持续优于所比较的既有 OCL 方法。但摘要未提供具体数据集、任务、被试数、数据流排序、训练与测试划分、基线名称或量化指标，因此不能确定提升幅度，也不能将其等同于特定 BCI 任务上的已验证效果。 全文核对与复现应重点关注：新被试数据是否带标签、过去被试原型如何保留与更新、在线学习的存储和计算约束，以及适应能力与遗忘程度的评估协议。还需确认原型聚合在不同被试顺序及类别分布变化下的表现；实验协议、消融及统计信息尚未验证。