EvoMoE：用于用户独立训练下 SSVEP-EEG 分类的演化混合专家框架

基于摘要分析。本文研究 SSVEP-EEG 分类中个体间数据分布不一致、单个用户数据有限，以及用户规模增长带来的建模问题，提出 Evolutionary Mixture of Experts（EvoMoE），通过分布相关的专家分工、样本路由与动态增加专家，支持用户独立训练。 机制上，EvoMoE 将数据分布相近的用户归组，由不同专家处理不同分布类型的 EEG；门控网络为当前样本选择分布匹配的专家。遇到未识别的数据分布时，框架引入新专家以适应新模式。其核心思路是以多个专门化模型承接个体差异，而非仅依赖统一模型。摘要未说明用户分布的度量方式、归组算法、新分布判定阈值、专家训练目标及扩容后的更新策略，这些实现条件尚未验证。 作者报告，在两个均包含 40 类任务的 BCI Speller 数据集上，EvoMoE 相较现有方法取得性能改善。具体而言，在线 EvoMoE 相较在线 UI 方法，在 BETA 上 Accuracy 提升 13.06%，ITR 提升 27.24 点；在 Bench 上 Accuracy 提升 3.64%，ITR 提升 10.42 点。摘要未明确 Accuracy 的百分比提升是相对增幅还是百分点差，也未给出 ITR 的单位与计算条件，因此不能进一步换算或直接评估实际拼写效率。 复现与解读应重点核对用户独立训练的被试划分、在线阶段可访问的数据及标签、专家新增与更新所需的数据量，以及专家数量增长带来的计算开销。被试数量、统计检验、消融、基线配置与代码可用性尚未验证。摘要中的结果支持进一步考察分布感知专家机制，但尚不足以确认其在持续接入新用户时的长期泛化与可扩展性。