ProNECL: EEG-Decoding ohne Vergessen über Personen hinweg

Die enorme Variabilität von EEG-Signalen zwischen Individuen führt dazu, dass beim kontinuierlichen EEG-Decoding Wissen, das aus früheren Probanden gewonnen wurde, häufig verloren geht, sobald neue Probanden hinzukommen. Traditionelle Ansätze versuchen, dieses Problem zu lösen, indem sie die historischen Daten in einem Replay-Puffer speichern. Datenschutzbedenken und Speicherbeschränkungen machen diese Methode jedoch unpraktisch.

Der neue Ansatz, Prototype-guided Non-Exemplar Continual Learning (ProNECL), vermeidet die Speicherung von EEG-Proben vollständig. Stattdessen werden klassenbasierte Prototypen erstellt, die die diskriminierenden Merkmale jedes Probanden zusammenfassen. Durch eine schrittweise Ausrichtung der neuen Feature‑Räume an die globale Prototypen‑Speicherbank und gezielte Wissensdistillation bleibt das Modell sowohl anpassungsfähig als auch lernfähig, ohne alte Daten zu benötigen.

Tests auf den BCI Competition IV 2a und 2b Datensätzen zeigen, dass ProNECL die Balance zwischen Wissensbeibehaltung und Anpassungsfähigkeit optimiert und dabei die Leistung bei cross‑subject EEG-Decoding deutlich verbessert. Dieser Fortschritt eröffnet neue Möglichkeiten für sichere und effiziente EEG‑Anwendungen in der Praxis.