EvoMoE：用于用户独立训练下 SSVEP-EEG 分类的演化混合专家框架

基于摘要分析。该研究针对 SSVEP-EEG 中用户间数据分布不一致、单个用户数据有限以及用户规模增长的问题，提出 Evolutionary Mixture of Experts（EvoMoE），通过多个专家建模不同用户分布，并在遇到未识别分布时引入新专家。 其核心机制是将分布相似的用户分组，使不同专家分别处理不同分布类型的 EEG 数据；门控网络依据当前样本选择分布匹配的专家。专家扩展机制旨在容纳新的数据模式，而非仅依赖固定专家集合。摘要未说明用户分布的表征方式、分组准则、门控训练目标、未知分布判定阈值及新专家训练流程，这些实现细节尚未验证。 作者报告，在两个均包含 40 类任务的 BCI Speller 数据集上，在线 EvoMoE 相比 online UI 方法取得性能提升：BETA 上 Accuracy 提升 13.06%，ITR 提升 27.24 点；Bench 上 Accuracy 提升 3.64%，ITR 提升 10.42 点。摘要未明确 Accuracy 的百分比增幅是否指相对提升，也未给出 ITR“点”的具体单位，因此不能改写为百分点或 bits/min。上述结果仅对应摘要所述在线比较条件，不能直接外推至其他评估协议。 复现时需核对用户独立训练的具体划分、在线阶段可用的数据与监督信息、专家新增时机，以及专家数量增长带来的计算和存储开销。训练与测试用户关系、基线配置、消融及统计信息尚未验证；摘要所述性能提升尚不足以单独确认其在实际 BCI 部署中的泛化能力与可扩展性。