应用在线多任务学习算法（OMTL）的持续更新、计算高效 EEG 压力识别框架

基于摘要分析。该研究针对 EEG 压力识别主要局限于受控实验室、难以兼顾个体信号差异及依赖离线训练的问题，提出通过在线多任务学习（OMTL）持续更新分类器的压力识别框架。其主要研究对象是个体压力状态识别，而非 BCI 控制任务。 框架依次进行 EEG 伪迹去除、提取多种 EEG 特征，并应用不同 OMTL 算法进行近实时识别。作者提出在训练中考虑各被试的脑波模式，再利用新输入信号更新分类器，以适应不断到来的数据。摘要未说明具体特征、任务间关系的建模方式、更新规则，以及在线更新是否需要标签；这些机制尚未验证。 作者在两类环境采集的数据上评估框架：第一类为受控实验室中的有线 EEG，第二类为真实工作现场中的可穿戴 EEG。作者报告，OMTL-VonNeuman 在所测试算法中取得最高预测 Accuracy，在第一类数据集上为 71.14%，在第二类数据集上为 77.61%。摘要未提供数据集名称、被试数量、压力标签定义、训练与测试划分，也未明确属于被试内、跨被试或跨会话协议，因此不能直接比较两项结果，也不能据此确认跨环境泛化。 作者认为持续更新有助于识别超出预定义条件的新压力情境，但摘要不足以核实这一结论的具体评估方式。标题强调计算高效，摘要则称近实时运行；实际更新耗时、推理延迟及计算资源尚未验证。复现需核对伪迹处理与特征配置、OMTL 实现、标签获取和更新时序、对照算法、实验协议、消融及统计信息，代码与数据可用性亦尚未验证。