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

基于摘要分析。该研究针对真实场景脑机接口中 EEG 随时间变化、分类模型需要反复适应的问题，提出 Train-On-Request（TOR）工作流：由用户按需触发设备端学习，使个体模型适应新条件，并通过持续学习保留跨会话知识。其贡献是将用户可控的模型更新与低功耗硬件上的训练部署结合，而非仅讨论离线分类性能。 机制上，TOR 以用户特定模型的持续适应为核心，试图缓解跨会话信号差异，同时减少重校准负担。摘要未说明模型架构、持续学习的具体知识保留机制、损失函数、更新参数范围或更新所需标签，因此尚不能判断其如何平衡旧知识保留与新条件适应，也不能将其直接归为测试时自适应。 作者报告，在采用低污名化可穿戴脑机接口头带采集的 motor-movement（运动动作）数据集上，准确率最高达 92%，重校准时间最低为 1.6 分钟；相较朴素迁移学习工作流，重校准时间减少 46%。该任务不应改写为运动想象（MI）。摘要未提供被试数、会话数量、数据划分及具体测试条件，上述最高准确率与最低时间是否来自同一设置尚未验证，也不宜与其他协议下的结果直接比较。 作者另报告，将训练过程部署到 RISC-V 超低功耗 SoC GAP9 后，每个训练步的延迟为 21.6 ms、能耗为 1 mJ。这支持其设备端训练的实现可行性，但单步开销不等同于一次完整重校准的总延迟或总能耗，仍需核对训练步数、设备配置与测量边界。 复现时应优先核对按需更新的触发流程、监督信息来源、跨会话评估方式、旧会话性能保持情况，以及朴素迁移学习对照的设置。实验协议、消融及统计信息尚未验证；摘要中的“首次”属于作者声明，不能据此认定其优先性。