面向轻量级 EEG 脑机接口的免反向传播测试时自适应

基于摘要分析。本文针对 EEG 脑机接口部署中的被试间差异、信号非平稳性与计算资源约束，提出 Backpropagation-Free Transformations（BFT），通过测试样本变换、预测可靠性排序和加权聚合，在无需反向传播的条件下实现测试时自适应。 机制上，BFT 对每个测试试次施加多种逐样本变换，变换依据为知识引导的数据增强或结构化特征掩码，仅通过前向计算获得同一试次的多个预测。随后，使用在源数据上训练的 learning-to-rank 模块估计各变换预测的可靠性，并进行加权聚合。作者称这一设计能够抑制在线推理中的预测不确定性，并提供理论依据；具体排序监督、训练目标、变换策略及理论成立条件尚未验证。该方法的关键区别是以样本变换与预测聚合替代依赖反向传播的测试时参数更新，而非消除全部训练或推理开销。 作者报告，在覆盖运动想象分类与驾驶员困倦程度回归的五个 EEG 数据集上，BFT 展现出有效性、通用性、鲁棒性与效率。摘要未提供数据集名称、被试数、被试内或跨被试等划分协议、对照方法、评价指标及具体数值，因此目前无法判断收益幅度或不同协议下的可比性；实验协议、消融及统计信息尚未验证。 复现时值得核对源数据排序模块的训练与测试隔离方式、每个试次的变换数量，以及总前向计算量、延迟和内存占用；还需查看噪声条件下可靠性估计是否稳定。作者将其定位于资源受限设备上的轻量级即插即用 BCI，但摘要不足以确认真实设备部署表现，也不能仅凭免反向传播推定隐私风险已被消除。