面向内存受限 EEG 持续学习的自适应数据压缩与重构
机器学习
2026-05-06 v1
摘要
脑电图（EEG）信号提供毫秒级时间分辨率，但其分析受到显著噪声和主体间变异性的限制，使得在有限标注条件下实现稳健的个体化难度较大。无监督个体持续学习（Unsupervised Individual Continual Learning, UICL）被提出以解决这一实际挑战，其中在严格的内存约束下，必须在标记子群预训练后，对来自未标记主体流的在线适应。然而，现有 UICL 方法通常存储完整的过去样本，削弱了避免重训的持续学习目标。观察到 EEG 信号具有可被利用的结构化形态特征，可通过形态感知选择、压缩和重构加以挖掘。本文提出一种自适应数据压缩与重构（Adaptive Data Compression and Reconstruction, ADaCoRe）方案用于 UICL。该方法由基于灵感驱动的关键帧保护、理性多段压缩、在受保护索引上的准确重写以及基于原型置信度的自适应样本维护组成。跨越三个代表性基准，ADaCoRe 在严格的缓冲区限制下 consistently 优于最新强大基线（例如，在 ISRUC 和 FACED 数据集上分别至少提高 +2.7 和 +15.3 的准确率）。消融研究量化了压缩-保真度的权衡，凸显了每个设计的贡献，而可视化结果确认了关键 EEG 形态在压缩和重构过程中的保持。
引用
@article{arxiv.2605.03085,
title = {Adaptive Data Compression and Reconstruction for Memory-Bounded EEG Continual Learning},
author = {Chengcheng Xie},
journal= {arXiv preprint arXiv:2605.03085},
year = {2026}
}