用于在线持续 EEG 分类的随机神经变换回放

该研究面向被试依次到来、期间发生被试切换的流式 EEG 分类，提出结合随机神经变换与动态记忆演化的回放方法，旨在兼顾学习新被试、保留既往被试表现及应对高噪声与跨被试差异。基于摘要分析，未取得论文全文。 问题设定强调：解码器事先没有可用于大规模预训练的数据，需要持续处理新被试的 EEG，同时避免学习新被试后对旧被试产生灾难性遗忘。摘要以轮椅控制等临床辅助 BCI 为应用背景，但未提供实际部署或临床验证证据。 核心机制是双层优化框架：通过随机神经变换动态演化记忆中的信号片段，使其在特征空间中具有代表性，并在后续解码阶段存储、回放这些片段。摘要将该变换置于双层优化的内层上确界环节，作者认为它能增加存储片段的多样性、提高在线持续解码的鲁棒性。具体变换形式、优化目标、标签使用方式、记忆预算与更新规则尚未验证。 作者报告进行了泛化能力的理论分析，并构建多个模拟被试切换的在线顺序 EEG 解码基准；作者报告其方法明显优于相关强基线，但摘要没有提供数据集名称、任务类别、被试数量、数据划分、指标或具体数值，因此无法量化优势或判断其适用范围。该顺序学习设定也不能直接等同于常规静态 Cross-subject 评估。 复现时应重点核对被试到达顺序、在线训练与测试时序、监督信息的可用性、回放存储及计算成本，以及旧被试保持能力与新被试学习能力的分别评估。实验协议、消融及统计信息尚未验证，尤其需确认随机变换相较普通回放的独立贡献及其对 EEG 信号有效性的影响。