促进内源性 BCI 训练的人机联合学习框架

基于摘要分析。该研究针对内源性 EEG BCI（如运动想象 MI BCI）中用户难以快速生成可区分且稳定的脑信号模式这一问题，提出人机联合学习框架：解码器根据用户历史脑信号估计目标分布，再通过反馈引导用户调整信号生成，同时自适应更新机器端的学习过程。 机制上，作者首先以统一形式建模人机联合学习。用户端被描述为连续试错学习，并采用“copy/new”反馈范式，使被试生成的信号逐步趋向解码器估计的最优分布；机器端则通过自适应算法对脑信号样本重新赋权，更关注作者所称的“good”样本，以适应用户学习过程中信号分布的变化。摘要未给出“copy/new”的具体反馈内容、优质样本判据、目标分布的估计方式及优化目标，这些实现细节尚未验证。 作者报告，在涉及 18 名健康被试的在线与伪在线 BCI 实验中，该联合学习过程相较协同自适应方法，在学习效率和有效性方面具有优势。摘要未提供具体指标、效果量、各实验的被试分配、训练时长或数据划分，因此不能据此量化训练时间缩短程度，也不能判断不同评估协议下的收益是否一致。 阅读与复现时，应重点核对用户反馈与解码器更新的时序、样本重加权规则、协同自适应对照的设置，以及如何分别衡量用户学习和解码性能。实验协议、消融及统计信息尚未验证；健康被试结果能否推广至辅助或康复应用中的目标人群，也仍待验证。