按需训练：一种面向自适应真实世界脑机接口的设备端持续学习工作流

得益于硬件和算法的进步，脑机接口（BMI）正在超越临床环境。然而，它们在用户友好性和信号变异性方面仍面临挑战。分类模型需要定期适应现实生活使用，因此最佳的重训练策略对于最大化用户接受度和维持高性能至关重要。我们提出了TOR，一种按需训练工作流，能够实现针对新条件的用户特定模型自适应，以解决信号随时间变化的问题。利用持续学习，TOR保留了跨会话的知识，并减轻了会话间变异性。通过TOR，用户可以按需通过设备端学习（ODL）来优化模型，以提高适应变化条件的准确性。我们在使用非污名化可穿戴BMI头带记录的运动数据集上评估了所提出的方法，实现了高达92%的准确率，并且重校准时间低至1.6分钟，与朴素的迁移学习工作流相比减少了46%。我们还通过将训练过程部署在RISC-V超低功耗SoC（GAP9）上，证明了TOR适用于极端边缘环境下的设备端学习，每个训练步骤的延迟为21.6毫秒，能耗为1毫焦耳。据我们所知，这项工作是首次在实时环境中演示对脑电图信号固有变异性进行在线、节能、动态适应的BMI模型。