通过 BELT 贝叶斯边缘—云架构中的任务无关压缩提升运动想象 BCI 性能

基于摘要分析。研究针对运动想象 BCI 的可扩展性、设备移植、个体适应及边缘—云通信问题，提出模块化贝叶斯架构 BELT，并实现由线性时不变运算构成、面向数字信号处理硬件的轻量版本 BELT-lite。核心贡献是将先验与后验学习、轻量分类及压缩通信结合，并比较任务无关与引入分类目标的自编码器。 BELT 用贝叶斯先验与后验平衡泛化和被试特异性学习，通过 Network Tuning Blocks 支持部分参数冻结。摘要将任务感知压缩列为总体设计原则，但实验中表现最佳的是仅以输入重构为训练目标的任务无关自编码器；具体贝叶斯建模、压缩结构及训练流程尚未验证。 作者报告，在 BCI Competition IV-2a、IV-2b 共18名被试、十折交叉验证下，经被试特异性微调并使用数据增强，BELT-lite 在 Dataset B、Dataset A 的平均 Accuracy 分别为87.9%±6.8%和80.6%±8.6%。折划分单位、增强作用范围及先验训练与个体适应的数据边界尚未验证，不能将这些结果直接视为跨被试泛化性能。 作者报告，在 ARM Cortex-A7 上，BELT-lite 每样本平均延迟为6.75 ms，EEGNet 为8.36 ms，速度改善约21%（p < 10^-17），但 Accuracy 相比 EEGNet 下降约2.7个百分点。仅微调分类器可降低训练成本，摘要称 Accuracy 下降2–5%，该变化的百分比或百分点口径尚待正文核对。 作者报告，任务无关自编码器将数据体积压缩3.3倍；相对未压缩基线，先验模型性能变化约在1%以内，完整后验微调下降约1%，仅分类器微调下降约3%，这些变化的计量口径亦需核对。该自编码器在所比较微调场景中优于加入分类目标的 task-aware 或 task-only 自编码器。 复现重点是十折划分、个体适应样本量、压缩与分类训练的数据隔离、硬件计时范围及对照配置。实验协议、消融及统计信息尚未验证。传输潜在表示而非原始 EEG 减少了原始信号直接暴露，但摘要未提供隐私攻击评估，不能据此确认隐私保护强度；实际部署与可移植性也仍需进一步验证。