EvoBrain：面向异构 BCI 任务的 EEG 基础模型持续学习

基于摘要分析。本文研究 EEG 基础模型如何持续适配异构 BCI 任务，而非为每个任务分别微调，提出动态任务感知的后训练框架 EvoBrain，目标是在统一模型中促进跨任务知识迁移并缓解灾难性遗忘。 核心机制包含两个互补组件：Neuro-Spectral Task Normalization（NSN）通过对齐任务统计量并重新校准频谱响应，适应任务间的分布变化与神经频谱变化；Response-Affinity Distillation（RAD）结合随时间变化的回放机制，保留历史任务知识，并促进频谱兼容任务之间的选择性迁移。摘要未给出统计量定义、频谱校准实现、蒸馏目标或回放调度细节，这些机制的具体实现尚未验证。 相较于任务隔离的微调，本文的研究重点是持续学习中的可塑性—稳定性权衡：模型既要学习新任务，又要维持旧任务表现。作者指出，分别微调的计算与存储成本随下游任务数量线性增长，但摘要没有提供 EvoBrain 的资源开销测量，因此尚不能确认其实际成本收益。 作者报告，在六个不同 BCI 任务及多种基础模型骨干上，EvoBrain 持续优于所比较的当前最先进方法，并有效平衡可塑性与稳定性。摘要未列出任务名称、数据集、被试数量、任务顺序、被试内或跨被试等评估协议、指标及具体数值，故无法量化性能提升或遗忘程度。 复现与判断有效性时，应核对预训练骨干及其数据覆盖、任务序列与数据划分、历史数据回放的访问权限和存储预算，以及各组件消融、旧任务保持与新任务学习的独立指标。实验协议、消融及统计信息尚未验证；代码与模型权重的可获得性也尚未验证。