该论文发表于 International Joint Conference on Artificial Intelligence（IJCAI 2026），题目为《When and How to Adapt: Subject Shifts Detection and Prototype-Guided Correction for Online EEG Decoding》。

北京交通大学计算机科学与技术学院硕士研究生张绍琪为此文第一作者。北京交通大学计算机科学与技术学院王晶教授为此文通讯作者。

论文链接：https://doi.org/10.24963/ijcai.2026/418

论文概要

在线EEG解码对于现实世界中的脑机接口（Brain-Computer Interfaces，BCIs）至关重要，但其面临着持续分布漂移带来的重大挑战，其中既包括不同受试者之间的分布差异，也包括同一受试者随时间产生的分布变化。现有的无监督持续域适应（Unsupervised Continual Domain Adaptation，UCDA）方法通常在受试者发生切换时，或按照固定批次大小来触发模型更新。这类预先设定的“硬边界”难以及时捕捉同一受试者内部的分布变化。与此同时，一些在线EEG解码方法尝试通过检测数据分布变化来构建“软边界”，但这类方法仍可能依赖目标域标签，不适用于真正的无监督场景，并且缺乏有效、稳定的分布对齐策略。

为解决这些问题，我们提出了一种新的原型驱动在线EEG解码框架（Prototype-driven online EEG Decoding，PRED）。PRED引入了一种基于策略稳定性的受试者变化检测器，能够以无监督方式可靠地识别潜在的域分布变化，从而构建自适应软边界。此外，我们设计了一种原型引导的分布变化校正机制，该机制利用多粒度记忆结构来引导分布对齐，同时保持语义稳定性。

研究背景

在线EEG解码中的数据分布会不断变化，而传统适应方法往往依赖人为设定的“硬边界”，难以及时、准确地应对真实在线场景中的分布漂移。

图 1：（a）硬边界；（b）自适应检测得到的软边界。

图1(a)展示了两种典型的硬边界策略：一种是按照固定batch大小进行模型更新，另一种是根据受试者切换来触发适应。前者存在明显矛盾：batch太小容易受到噪声影响而频繁误更新，batch太大又可能导致模型适应滞后；后者则只能识别“换了一个人”这种受试者间变化，却容易忽略同一受试者内部随时间产生的EEG分布变化。

图1(b)展示了作者希望实现的方案，即通过在线数据本身的变化自适应地检测软边界。这种方式不预先规定什么时候更新，而是让系统判断何时真正发生了显著且与任务相关的分布漂移，再触发模型适应，从而减少噪声造成的误触发和固定规则带来的更新延迟。

方法

整体框架

本文提出了一个面向在线EEG解码的原型驱动框架（Prototype-driven online EEG Decoding，PRED），其核心目标是解决在线无监督场景下“何时进行模型适应”和“如何进行稳定适应”两个问题。整体流程为：首先使用源域数据训练初始模型，并建立各类别的原型表示；在在线阶段，模型持续对新到来的EEG样本进行预测，同时将样本及其预测结果存入在线缓冲区，并由受试者变化检测器SSD持续监测当前分类策略与历史原型参考策略之间的偏差。当平滑偏差相对于基线的增幅超过设定阈值时，系统认为发生了显著的受试者分布漂移，并将该时刻确定为软边界，从而触发模型适应。随后，原型引导的分布变化校正模块PSC利用在线样本、源域回放样本以及历史类别原型，对新分布进行重新对齐，同时通过语义保持约束避免模型在适应新分布时破坏已有知识。完成适应后，模型及类别原型被更新，相关缓冲区被清空，系统继续处理后续EEG数据，由此形成“在线预测—漂移检测—模型适应—继续预测”的循环过程。

图2 PRED整体框架

基础EEG解码模型

原型驱动的在线 EEG 解码框架（Prototype-driven online EEG Decoding，PRED）是一个即插即用的在线适应框架，其底层EEG解码模型由编码器f(·)、投影头g(·)和分类器φ(·)构成。输入EEG样本x首先经过编码器和投影头得到特征表示z=g(f(x))，随后由分类器输出预测结果ŷ=φ(z)。该基础模型负责正常的在线EEG分类，同时得到的特征z也是后续分布漂移检测和原型对齐的基础。

多粒度记忆结构

为了兼顾快速适应和历史知识保持，论文设计了多粒度记忆结构（Multi-granular Memory Structure，MMS），其中包含三个部分：在线缓冲区Bo：保存当前在线阶段新到来的EEG样本及其预测结果，相当于短期记忆；回放缓冲区Br：在触发适应时，从源域中按类别平衡采样历史样本，用于防止灾难性遗忘；原型缓冲区Bp：保存各类别的特征原型，即各类别在特征空间中的代表性中心，相当于长期知识。这三个缓冲区共同为后续漂移校正提供当前数据、旧知识和类别语义结构。

受试者变化检测器

受试者变化检测器（Subject Shift Detector，SSD）负责解决“什么时候适应”的问题。首先，分类器对当前在线样本输出概率分布qt(y|xt)，作者将其看作当前分类策略；同时，根据当前样本特征zt与历史类别原型之间的余弦相似度，构造参考策略pt(y|xt)。然后使用KL散度计算二者之间的偏差，即Dt=KL(pt||qt)。由于单个EEG样本容易受到噪声干扰，论文进一步利用指数移动平均对偏差进行平滑，得到St。最后，将当前平滑偏差与基线S0进行比较，当St/S0-1>δ时，就认为当前分类行为已经明显偏离历史参考策略，因此检测到显著的受试者分布变化，并触发模型适应。

原型引导的分布变化校正

原型引导的分布变化校正（Prototype-guided Shift Correction，PSC）负责解决“如何适应”的问题，其核心包含两部分。

第一部分是原型引导的分布对齐。对于在线缓冲区中的样本，系统首先根据它们与各类别原型之间的相似度分布，将具有相似结构的样本划分到同一个簇中，然后利用簇内高置信度伪标签进行多数投票，确定该簇对应的预测类别。接着计算该簇的特征中心，形成一个伪原型，再将这个伪原型向对应的历史类别原型进行对齐。该部分由对比损失Lcon和原型对齐损失Lalign共同构成，即Lpda=Lcon+Lalign。

第二部分是语义相似性保持。如果模型只根据新到来的在线数据进行更新，很容易破坏原有类别结构，甚至产生灾难性遗忘。因此，作者利用回放缓冲区Br中的旧样本，比较模型更新前后这些样本对应的语义分布，并通过KL散度构造语义相似性保持损失Lssp，使更新后的模型尽可能保留原有的语义关系。

整体优化目标

在模型适应阶段，论文最终联合优化三个部分的目标。总体损失为：Loverall=Lce+λ1Lpda+λ2Lssp。其中，Lce用于维持基本的分类能力，Lpda用于将发生漂移的新分布重新对齐到历史类别结构，Lssp用于保持已有语义知识的稳定性。三者共同作用，使模型能够在快速适应新受试者分布的同时，减少负迁移和灾难性遗忘。

模型与原型更新

每次适应完成后，当前模型由Mi-1更新为Mi。与此同时，在线缓冲区Bo和回放缓冲区Br被清空，原型缓冲区Bp则通过指数移动平均的方式进行更新，使新的类别原型既能够保留历史信息，又能够逐渐吸收当前在线分布中的新知识。之后，新模型继续处理后续EEG数据，并重新进入下一轮在线预测、漂移检测和模型适应过程。

实验结果

论文主要从可塑性（Plasticity）、未来性（Futurity）和稳定性（Stability）三个方面验证原型驱动的在线EEG解码框架（Prototype-driven online EEG Decoding，PRED）的有效性，同时通过基线比较、消融实验和特征可视化分析各个模块的作用。

整体性能

表1给出了原型驱动的在线EEG解码框架（Prototype-driven online EEG Decoding，PRED）在Physionet-MI、FACED和ISRUC三个数据集上的整体结果。从可塑性来看，模型经过在线适应后，三个数据集上的性能均得到提升。例如，FACED数据集上的GACC从34.91%提升到42.02%，GMF1从35.11%提升到42.53%；ISRUC上的GACC从69.76%提升到74.32%，GMF1从64.86%提升到72.37%。这说明PRED在检测到新的EEG分布后，能够通过模型更新较好地适应当前的新分布。

表 1：三个公开 EEG 数据集上可塑性、未来性和稳定性的整体性能。

从未来性来看，Mi-1已经利用新受试者分布中此前出现的一部分样本进行了适应，但尚未看到当前增量片段中的未来样本。结果显示，Mi-1在这些未来样本上的性能普遍优于尚未接触该新分布的Mi-2。例如ISRUC上，GACC从71.84%提升至73.17%，GMF1从69.80%提升至71.12%。这说明模型并非单纯记住用于适应的数据，而是学习到了一定的新受试者分布规律，并能够迁移到该受试者后续样本。

从稳定性来看，持续适应并没有导致模型原有泛化能力下降，反而使AAA和AAF1均有所提高。例如FACED的AAA从38.59%提升至42.81%，AAF1从38.74%提升至43.07%；ISRUC的AAF1则从69.23%提升至73.01%。因此，PRED能够在学习新分布的同时较好地保持甚至增强已有模型的泛化能力。

与其他方法的比较

表2：PRED与其他UDA/UCDA方法的比较

结果显示，PRED-soft在三个数据集上的GACC、GMF1、AAA和AAF1几乎均取得最佳结果。

尤其值得注意的是PRED-soft与PRED-hard的比较。两者使用相同的主要适应机制，区别在于PRED-hard使用预先规定的硬边界，而PRED-soft使用SSD自动检测得到的软边界。三个数据集上PRED-soft均优于PRED-hard。SSD根据实际EEG分类行为的变化确定软边界，可以比固定batch或受试者切换标签更加及时地发现分布漂移，从而避免适应过早、过晚或者受到无关噪声影响。

消融实验

表3： PRED各组成部分的消融实验

作者主要进行了两类消融实验：一类验证两个损失项Lpda和Lssp的作用，另一类验证SSD的作用。只使用基本分类损失的Base性能最低。在加入Lpda后，可塑性明显提高，例如ISRUC上GACC从71.87%提升至73.37%。这表明原型引导的分布对齐主要帮助模型快速适应新分布。加入Lssp后，稳定性提升更加明显，例如AAF1从Base的71.58%提升至72.65%。这说明语义相似性保持主要用于防止模型在学习新分布时破坏旧知识。完整PRED同时使用Lpda和Lssp后取得最佳结果，其GACC达到74.32%、GMF1达到72.37%、AAA达到74.92%、AAF1达到73.01%。

结论

本文提出了原型驱动的在线EEG解码框架（Prototype-driven online EEG Decoding，PRED），旨在实现可靠的软边界检测和有效的分布漂移校正。通过结合受试者变化检测器SSD和原型引导的分布变化校正PSC，PRED有效解决了无监督数据流中“何时适应”和“如何适应”这两个核心问题。

具体而言，SSD基于策略稳定性可靠地识别潜在的分布漂移，从而确定模型何时需要进行适应；PSC则利用多粒度记忆结构，引导模型进行鲁棒的分布对齐，从而解决如何适应的问题。

在三个公开数据集上的大量实验结果表明，PRED能够在可塑性和稳定性之间取得更好的平衡，同时表现出显著的未来性，为构建更加真实和自主的脑机接口系统提供了新的方向。

参考文献：

Aljundi, R. et al. (2019) Gradient based sample selection for online continual learning. Adv. Neural Inf. Process. Syst. 32

Amin, S.U. et al. (2019) Deep learning for EEG motor imagery classification based on multi-layer CNNs feature fusion. Future Gener. Comput. Syst. 101, 542–554

Baddeley, A. (2010) Working memory. Curr. Biol. 20, R136–R140

Berners-Lee, A. et al. (2022) Hippocampal replays appear after a single experience incorporate greater detail with more experience. Neuron 110, 1829–1842

Caccia, L. et al. (2021) New insights on reducing abrupt representation change in online continual learning. arXiv 2104.05025

Cai, Z. et al. (2021) Online continual learning with natural distribution shifts: an empirical study with visual data. Proc. IEEE/CVF Int. Conf. Comput. Vis., 8281–8290

Chen, J. et al. (2023) A large finer-grained affective computing EEG dataset. Sci. Data 10, 740

Chen, B. et al. (2025) CoUDA: continual unsupervised domain adaptation for industrial fault diagnosis under dynamic working conditions. IEEE Trans. Ind. Inform.

——END——

撰稿人：邓驰

审核人：高炜

脑机接口与混合智能研究团队