脑机接口新增类别不用从头重训，ReCIL跨被试增量学习成立

内容概述 该研究提出ReCIL，一种基于排练的类别增量学习方法用于跨被试运动想象分类，使模型可顺序学习新的MI类别而无需从头重训。ReCIL采用欧氏对齐降低跨被试EEG分布偏移，通过全局-局部重放保留旧任务知识，并借助降维进行可靠的样本相似度计算。在三个公开MI数据集上的实验显示，ReCIL在可塑性与稳定性之间取得良好平衡。据作者称，这是跨被试类别增量学习用于MI分类的首次研究，为无需从头重训即可扩展新类别的脑机接口提供了实用方案，回应了既有方法在新增类别时需重采数据或重训模型的低效问题。