EDAPT：面向无校准BCI的持续在线适应
机器学习
2025-08-15 v1 人机交互
神经元与认知
摘要
脑机接口（BCI）因神经信号随时间漂移和跨用户差异导致准确率下降，需要频繁校准，这限制了实际部署。我们引入EDAPT，一个任务和模型无关的框架，通过持续模型适应消除校准需求。EDAPT首先使用来自多个用户的数据训练基线解码器，然后通过监督微调持续个性化此模型，以适应使用期间神经模式的演变。我们在覆盖三种BCI任务的九个数据集上测试了EDAPT，发现其在传统静态方法上 consistently 提高了准确率。这些改进主要源于结合群体水平预训练和在线持续微调，某些数据集上的无监督域适应也提供了进一步的提升。EDAPT在消费级硬件上高效运行，模型更新在200毫秒内完成。最后，解码准确率随总数据预算而提升，而非其在受试者和试 trials 之间的分配。EDAPT为实现无校准BCI提供了实用路径，减少了BCI部署的主要障碍。
引用
@article{arxiv.2508.10474,
title = {EDAPT: Towards Calibration-Free BCIs with Continual Online Adaptation},
author = {Lisa Haxel and Jaivardhan Kapoor and Ulf Ziemann and Jakob H. Macke},
journal= {arXiv preprint arXiv:2508.10474},
year = {2025}
}
备注
Preprint