Train-On-Request：面向自适应真实世界脑机接口的设备端持续学习工作流

基于摘要分析。本文研究真实世界脑机接口中 EEG 信号随时间变化、分类模型需要周期性适应的问题，提出 Train-On-Request（TOR）工作流，将用户按需触发的模型更新与设备端学习（on-device learning，ODL）结合，以降低重校准负担并适应新的使用条件。 核心机制是针对特定用户进行模型适应，通过持续学习保留不同会话中的知识，缓解跨会话信号变异。其贡献重点是适应工作流及设备端训练部署，而非摘要中已明确披露的新网络结构或损失函数。具体知识保留机制、更新哪些参数、训练数据与标签如何获取，以及用户触发更新的操作流程尚未验证。 作者在使用可穿戴 BMI 头带采集的 motor-movement（运动执行）数据集上评估 TOR；该任务不能等同于运动想象（MI）。作者报告 Accuracy 最高达到 92%，重校准时间最低为 1.6 分钟，并报告相较朴素迁移学习工作流，重校准时间减少 46%。摘要未说明这些结果对应的数据划分、被试数量、会话设置及基线细节，因此不能将最高 Accuracy 与最短重校准时间视为必然来自同一配置，也不能直接与其他协议的结果比较。 作者还将训练过程部署在 RISC-V 超低功耗 SoC GAP9 上，报告每个训练步骤的延迟为 21.6 ms、能耗为 1 mJ。这些数字反映单步训练开销，不等同于完整重校准过程的总耗时或总能耗。作者将其描述为据其所知首次展示面向 EEG 内在变异的在线、节能、动态实时适应，该优先性声明尚未独立核实。 复现时需核对持续学习策略、跨会话评估与训练测试划分、重校准样本和标签成本、历史知识保留的评估方式，以及 GAP9 上的训练配置与能耗测量范围。实验协议、消融及统计信息尚未验证；代码、数据开放情况及长期真实使用中的适应效果也无法由摘要确认。