提升内源性 BCI 训练的人机联合学习框架

基于摘要分析。该研究针对内源性 EEG BCI（如运动想象 MI BCI）中用户难以快速形成可区分、稳定脑信号模式的问题，提出人机联合学习框架：利用用户历史脑信号估计目标信号分布，同时调整用户反馈和解码器学习过程，以促进 BCI 控制技能的习得。 核心机制：作者首先以统一形式描述人机联合学习过程。用户侧被建模为序贯试错学习，通过“copy/new”反馈范式，引导用户生成的脑信号趋向解码器估计的最优分布；机器侧采用自适应学习算法，对用户产生的脑信号进行样本重加权，更关注“good”样本，并随用户学习过程更新目标分布。摘要未说明“copy/new”的具体呈现方式、“good”样本的判定依据、最优分布的数学定义或权重更新规则，这些机制细节尚未验证。 实验与结果：作者报告，在涉及18名健康被试的在线和伪在线 BCI 实验中，该框架相较共同适应（coadaptive）方法，在学习效率和有效性方面具有优势。摘要未提供具体任务配置、训练时长、数据划分、对照算法及量化指标，因此不能据此判断收益幅度，也不能将背景中常见的数周或数月训练周期解读为本研究的实验时长。 复现与证据边界：需取得全文核对反馈如何映射到用户动作策略、样本重加权如何与在线解码更新配合，以及伪在线实验如何模拟真实用户学习过程。实验协议、消融及统计信息尚未验证；18名健康被试的结果不能直接外推至临床用户、长期使用或跨会话稳定性。复现还需明确 EEG 采集与预处理、反馈时序、初始化方式及学习效率和有效性的操作性定义。