脑机百科消息(bciwiki.com)，纽约大学阿布扎比分校eBRAIN实验室研究人员提出ORBITAL，将脑电解码模型压缩、对抗稳健性评估与边缘硬件测试结合。稿件于2026年10月26日在arXiv公开，作者标注已提交IEEE ISCAS 2027评审。
研究面向嵌入式脑机接口中的紧凑脑电（EEG）解码器。提出的ORBITAL将对抗稳健性作为压缩约束，结合硬件可实现的结构化压缩、考虑性能恢复的运行配置选择、多种攻击评估和原生边缘设备验证。这里的对抗稳健性指模型在所测试攻击下维持正确预测的能力，不等同于对所有噪声或实际使用风险的抵抗能力。
在BCI Competition IV-2a数据集上，研究覆盖九名受试者和三个随机种子。S25-TRADES在所测压缩EEGNet模型中取得最高的平均真实并集稳健性，数值为23.06%，标准Full模型为21.27%；相对标准Full，参数量减少26.27%，乘加运算量（MACs）减少25.10%。匹配对照显示，相比使用干净数据进行恢复训练，TRADES使S25的并集准确率提高6.74个百分点（p=0.0039）。作者据此将TRADES视为稳健性恢复的主要来源；逐样本分析则提示，变化体现为决策边界的重新分布，而非所有样本的分类间隔一致扩大。
在Jetson Orin Nano上，FP16压缩使板级能耗最多降低16.20%，延迟降低8.00%。不过，尽管预测一致率达到99.3%，原生INT8量化／反量化（Q/DQ）配置的延迟和能耗仍约为FP16的两倍。作者认为，这说明压缩和低精度部署需要同时考虑对抗稳健性与硬件表现，不能仅凭模型规模或数值精度判断实际收益。