基于原型引导的非示例持续学习框架用于跨被试EEG解码
机器学习
2026-01-16 v2 人工智能
摘要
由于脑电图（EEG）信号在不同个体间存在显著变异性，在持续EEG解码任务中，随着新被试被引入，往往会覆盖先前被试所学习的知识。现有方法主要依赖存储历史被试数据的回放缓冲区来缓解遗忘问题，但在隐私或内存受限的情况下难以实际应用。为此，我们提出一种基于原型引导的非示例持续学习（ProNECL）框架，通过不访问历史EEG样本的方式来保存先前知识。ProNECL将被试特定的判别性表示总结为类别级原型，并通过原型基特征正则化和跨被试对齐，将新被试的表示逐步对齐至全局原型存储。在BCI比赛IV 2a和2b数据集上的实验表明，ProNECL有效地平衡了知识保留与适应性，在跨被试持续EEG解码任务中实现了优异性能。
引用
@article{arxiv.2511.20696,
title = {Prototype-Guided Non-Exemplar Continual Learning for Cross-subject EEG Decoding},
author = {Dan Li and Hye-Bin Shin and Yeon-Woo Choi},
journal= {arXiv preprint arXiv:2511.20696},
year = {2026}
}
备注
4 pages, 2 figures, 14th IEEE International Winter Conference on Brain-Computer Interface Conference 2026