具备持续学习能力的超低功耗可穿戴 BMI 系统

基于摘要分析。该研究针对可穿戴 BMI 中 EEG 跨会话变化与板载计算资源受限的问题，提出基于 CNN 的持续学习（Continual Learning，CL）工作流，并部署于可穿戴并行超低功耗平台 BioGAP，将会话间适应与端侧运行整合到同一系统中。 技术机制：摘要明确采用紧凑 CNN 与端侧 CL，使模型能够适应会话间信号变化；但具体更新哪些参数、适应是否需要标签、训练损失、历史数据保存方式及遗忘控制机制尚未验证，不能据此等同于无监督测试时自适应。其研究贡献主要体现在适应流程与低功耗硬件部署的结合，而非摘要已证实的新网络结构。 作者报告，在两个自建数据集 Dataset A 和 Dataset B 上，CL 工作流使平均 Accuracy 分别最多提升 30.36% 和 10.17%。摘要未明确这些数值是相对增幅还是百分点变化，也未提供对照基线、被试规模、任务类型或跨会话划分，因此应保留原始表述，不与其他协议下的结果直接比较。 作者报告，在 PULP 微控制器 GAP9 上实现持续学习时，每次推理能耗低至 0.45 mJ，适应耗时为 21.5 ms；BioGAP 使用 100 mAh、3.7 V 电池时可获得约 25 小时续航。上述结果对应所述硬件与工作流，其测量边界、适应批量、更新频率及续航是否实测尚未验证。 复现时需核对数据及代码可用性、预处理与 CNN 配置、CL 更新协议、会话划分、基线与统计结果，以及包含采集和通信环节的整机能耗。作者认为该系统有望改善隐私、延迟和会话间性能；摘要尚不足以验证长期使用中的性能稳定性、遗忘风险或实际隐私保障。实验协议、消融及统计信息尚未验证。