AI 中文总结
该基准测试比较CSP与黎曼方法在EEG BCI在线解码中的标签揭示更新，发现其提升13/14个模型-数据集对，准确率最高提升约18%，且最新时间块数据价值最大。
AI 中文摘要
脑电图（EEG）信号随时间漂移，这可能导致静态脑机接口（BCI）模型在实践中性能下降。我们提出了一个在线自适应的基准测试，并在时间排序的前瞻性（先测试后训练）评估下，比较了两个广泛使用的流水线家族：共空间模式（CSP）和基于黎曼协方差的方法。我们考察了（i）哪些流水线从标签揭示的更新中获益最多，（ii）对旧数据进行受控遗忘是否能提高鲁棒性，以及（iii）最小校准的冷启动与从预训练模型开始相比如何。在四个数据集（三个运动想象数据集和一个运动解码数据集）上，标签揭示的在线更新在最大的两个数据流上改善了13个模型/数据集对中的14个，相对于冻结模型，相对准确率提升最高约18%。基于Shapley的按时间块进行的数据价值分析，在三个分析的数据集中，每个数据集最近的时间块被赋予最大的平均价值，而较旧的时间块保持正价值。
英文摘要
Electroencephalography (EEG) signals drift over time, which can cause static brain-computer interface (BCI) models to degrade in practice. We present a benchmark for online adaptation and compare two widely used pipeline families, Common Spatial Patterns (CSP) and Riemannian covariance-based methods, under time-ordered prequential (test-then-train) evaluation. We examine (i) which pipelines benefit most from label-revealed updates, (ii) whether controlled forgetting of older data improves robustness, and (iii) how a minimal-calibration cold start compares with starting from a pretrained model. Across four datasets (three motor-imagery datasets and one movement-decoding dataset), label-revealed online updates improve 13 of 14 model/dataset pairs on the two largest streams, with relative accuracy gains of up to about 18% over a frozen model. A Shapley-based data-valuation analysis over temporal blocks assigns the largest mean value to the most recent block in each of the three analyzed datasets, while older blocks retain positive value.
