NEXUS-MI：面向网关协调运动想象 BCI 的通信感知联邦个性化

基于摘要分析。该研究针对 EEG 运动想象 BCI 中跨被试、跨会话差异及有限校准数据带来的个性化困难，提出网关协调的联邦个性化框架 NEXUS-MI，将同步策略视为学习与通信的耦合控制问题，而非默认采用规则同步。 机制上，原始 EEG 与分类头保留在本地，边缘协调器维护共享骨干网络。研究通过理想链路参考及六种异构链路策略，考察网关参与、缓冲、陈旧更新接纳和骨干下载控制。主要对照固定延迟更新处理方式，比较非自适应同步与通信感知同步，有助于区分同步策略变化与延迟更新处理的影响；具体网络结构、训练目标与控制规则尚未验证。 评估采用离线回放，使用 BCICIV-2a（9 名被试、4 类）和 OpenBMI（54 名被试、2 类）。Session 1 用于骨干学习，Session 2 用于有限校准个性化及留出测试。被试级配对比较使用 Holm 校正，并通过分层 bootstrap 评估五次匹配实现下的稳健性。 作者报告，在上述离线回放协议下，通信感知协调在两个数据集上均使服务器到客户端的骨干传输流量减少约 42%，但群体层面的 Accuracy 差异较小，且随实现而变化。作者还报告，相对于理想链路参考，BCICIV-2a 上部分被试的 Accuracy 损失达到约 12 个百分点，提示群体均值可能掩盖个体风险，不能将通信节省直接解释为所有被试均能保持性能。 该研究的证据范围限于离线回放，真实在线部署中的通信收益与可靠性尚未验证。复现时需核对 Session 2 校准与测试划分、共享骨干及本地分类头的训练流程、链路与缓冲设定、更新新鲜度定义、流量计量口径，以及消融和统计细节。