HOW IT WORKS
技术原理
把解码器拆为共享表征骨干与用户私有分类头。多用户只聚合骨干参数，不集中原始 EEG，也不强迫所有人的决策边界一致；Riemannian SPDNet 可在对称正定协方差流形上学习共享结构。
FEDERATED · TECHNOLOGY 09
共享骨干、私有头的 EEG 联邦学习
跨用户同步神经表征骨干，同时让每位用户保留自己的分类边界和原始 EEG，在隐私、通信与个性差异之间取得可审计的折中。
成熟度：三数据集离线验证共享表征骨干本地个性化分类头Riemannian SPDNet通信轮次与参数预算
WHERE IT HELPS
适用场景
- 多用户运动想象 BCI
- 隐私敏感的家庭训练
- 跨中心个性化适配
BOTTLENECKS
关键瓶颈
- 本地样本少时私有头容易过拟合
- 异步与掉线会改变聚合质量
- 离线数据不能代表真实设备与网络
READ WITH QUESTIONS
检索和阅读时先问这三个问题
阅读问题完成度0 / 3