NeuroOnline：桥接脑电图基础模型的预训练和在线适应

脑电图基础模型在学习跨学科和任务的广义表征方面表现出了强大的潜力。然而，大多数现有方法遵循预训练静态部署范例，该范例存在两个关键限制：（1）预训练目标和下游任务之间的不一致，以及（2）对在线设置中分布变化的适应性有限。我们提出了在线神经适应（NeuroOnline），这是一个统一的框架，可以在在线场景中实现持续适应。 NeuroOnline 集成了两种互补机制：(1) 多视图一致性学习，强制跨视图对齐以促进一致且与任务相关的表示；(2) 上下文感知表示调制，利用可学习的上下文提示和交叉注意来动态调整表示以适应不断变化的数据分布。这些机制共同统一了表示对齐和动态适应。对多个脑电图基准的实验表明，NeuroOnline 在在线设置中始终优于强基线，在分布变化下实现更好的性能。消融和敏感性研究进一步验证了每个组件的必要性和整体设计的有效性。