BrainUICL：面向 EEG 应用的无监督个体持续学习框架

基于摘要分析。该研究针对固定数据集训练的 EEG 模型难以应对不断到来的未见被试及个体差异的问题，提出无监督个体持续学习范式与 BrainUICL 框架。其核心目标是在持续适应新被试的同时吸收新知识，提升模型对其他未见被试的泛化能力。 方法上，BrainUICL 将逐个新被试的适应纳入持续学习过程，关注塑性与稳定性的平衡：塑性指向对当前新个体的适应能力，稳定性则在摘要中体现为对未见个体维持泛化能力。与仅在固定数据集上训练的模式相比，研究强调模型随被试流持续更新；但摘要未披露具体网络、优化目标、知识保留机制，以及“无监督”适应时可访问的数据与标签边界，不能据此确定其实现方式。 作者报告，BrainUICL 在三种主流 EEG 任务上进行了评估，并在新个体塑性和未见个体稳定性方面取得更好的表现。摘要以睡眠分期、情绪识别和运动想象说明 EEG 的应用范围，但未明确列出实际评估的三种任务，因此不能直接将这些例子认定为实验任务。具体数据集、被试数量、被试流顺序、数据划分、对照基线及指标数值尚未验证。 复现与证据核对的重点包括：新被试数据如何用于适应、适应与评估是否使用独立数据、持续更新后如何评估当前被试及其他未见被试，以及与单次适应或其他持续学习方案如何比较。实验协议、消融及统计信息尚未验证。摘要中的临床场景属于研究动机，不能据此认定该框架已获得临床有效性验证。