4.4 自适应与在线学习：追着漂移跑的模型

4.4 自适应与在线学习：追着漂移跑的模型

本节摘要：脑机接口的信号分布天生不稳定：电极状态、用户疲劳、大脑的持续学习都在推动"什么是想象左手的特征"缓慢移动，上午校准的模型下午就可能掉链子。自适应不是高级优化，是在线系统的生存必需。本节盘点漂移的四个来源，给出监督与非监督两条适应路线的机制与代码骨架，并梳理把校准时间从半小时压到五分钟的工程手段。

第四章前三节都在"快照"视角下工作：假设信号分布恒定、模型校准一次终身受用。真实使用会立刻打破这个假设。一位 BrainGate 受试者的记录显示，同一套电极的信号幅值与调谐特性在几个月内持续变化；头皮系统更日常——上午的校准数据，下午因为头发压塌了电极、用户累了、注意力散了，就已经对不上号。漂移不是故障，是常态；应对漂移的机制设计，是把实验室原型变成日用设备的分水岭。

漂移的四个来源

第一是电极与界面层：头皮电极的接触阻抗随出汗、发干、佩戴压力变化；植入电极则经历慢性免疫反应，针尖周围逐渐被瘢痕包裹，可听见神经元逐年减少（第七章的生物安全节展开）。第二是用户状态层：疲劳、情绪、咖啡因都改变节律基线——最直观的证据是同一天早晚的功率谱形状肉眼可见地不同。第三是任务学习层：用户越用越熟练，控制策略内化，想象动作的神经表征变得更紧凑——这是好事，但模型必须跟着更新才能吃到红利。第四是神经可塑层：闭环使用本身重塑编码规律（2.3 节的"共驯化"），这是漂移里最深刻也最有价值的一类——它既是敌人也是朋友，第六章的训练手记会展示怎么把它变成朋友。

表里最有工程味道的是第三行：用户熟练化之后，旧模型可能反而变差——它还停留在用户"新手期"的特征分布上。定期重校准不是修复故障，是追上用户的进步。

监督路线：定期小校准

监督自适应的关键是低成本拿到带标签的新数据。闭环运行里有个天然的标签机：同步范式里系统发出的提示就是标签——校准模式切换后，让用户跟提示做几十个试次，几分钟就攒出一份小校准集，用它增量更新分类器（通常只更新类均值和协方差，保留原有先验，小样本下更稳）。工程上的成熟做法是分段模型池：每个会话开头跑一轮微型校准，模型参数在会话内固定、会话间滚动更新，兼顾稳定与新鲜。

非监督路线：让系统自己追

监督路线要用户配合，非监督路线让系统在运行中悄悄适应——代价是需要更聪明的统计。最经典的机制是在线均值重估：分类器只在"很有把握"的预测上自举标签（高置信度样本的伪标签期望上接近真标签），用它重估类均值；把握不大的样本不参与，防止错误滚雪球。代码骨架如下：

import numpy as np

class AdaptiveLDA:
    """带非监督均值重估的线性判别：高置信样本自举标签"""
    def __init__(self, means, cov, prior=(0.5, 0.5), conf=0.9):
        self.means, self.cov, self.prior, self.conf = np.array(means), cov, prior, conf

    def predict(self, x):
        diff = self.means - x
        inv = np.linalg.inv(self.cov)
        scores = np.array([prior * np.exp(-0.5 * d @ inv @ d) for prior, d in zip(self.prior, diff)])
        return scores / scores.sum()

    def adapt(self, x):
        p = self.predict(x)
        if p.max() >= self.conf:                    # 只信高置信样本
            k = int(p.argmax())
            self.means[k] = 0.98 * self.means[k] + 0.02 * x   # 指数滑动更新
​

两个参数值得划线：置信度阈值（此例 0.9）决定"自举数据"的纯度——放太低错误标签会污染均值，放太高自适应又形同虚设；滑动系数（此例 0.02）决定追漂速度——太敏感会被单次伪迹带偏，太迟钝等于没追。这两个旋钮没有万能值，必须按你的伪迹水平与漂移速度调，第五章排错实录里能看到调错时的症状。

连续控制的非监督自适应更优雅：闭环里用户的目标位置本身就是标签——屏幕提示"光标该到左上角"，用户必然调整脑活动去达成，系统据此隐式校准观测模型。这类"以任务为师"的自适应让 BrainGate 类系统实现了数月不做显式校准的连续运行，是递推估计结构与闭环反馈联手的结果。

把校准时间打下来

校准是用户体验的最大痛点之一：半小时的机械试次足以磨掉新鲜感。工程上压缩校准的手段按激进程度排成一条谱系。保守派：共享空间滤波器（跨会话复用 CSP 的子空间）加微型校准，把每次校准压到几分钟。中间派：跨会话迁移——把用户既往会话的数据加权混入新会话训练，老用户几乎免校准。激进派：跨被试迁移与预训练——用公开数据集的几十个被试预训练一个特征提取器，新用户只微调分类头，甚至零校准直接用（成绩打折但能跑起来，让用户"边用边被校准"）。共适应协议贯穿所有派别：第一天先用一个通用模型让用户动起来，边用边采数据边换专用模型——用户从第一天就在"真用"，而不是在"陪训练"。

自适应还需要一个刹车

追漂的机制讲完了，还差一个容易被漏掉的部件：自适应本身的监控。非监督适应是在无标签环境里改模型，改坏了系统未必知道——分类边界慢慢滑向错误的均衡，准确率阴跌，用户以为是"自己今天状态不好"。成熟的在线系统会给自己配一个裁判：留一小部分流量做质量探针（比如同步范式里穿插几个已知答案的试次，或者用响应时间、纠错率这类行为指标间接估计当前精度），指标跌破阈值就停止适应、回滚到上一个可靠版本的模型。这套"模型池加回滚"的思路借鉴自软件发布的灰度机制：把模型版本当作可以撤销的配置，而不是只能前进的真相。工程上还有一条经验值得写进守则：自适应的速率应当与漂移的速率匹配——环境漂移越慢，越应该用保守的滑动系数，把适应的带宽留给真正的长期趋势，而不是被每一次眨眼和每一个走神消耗掉。

本节要点回顾

• 漂移四源：电极界面、用户状态、任务熟练化、神经可塑重组，时间尺度从分钟到月；
• 监督自适应靠微型校准：同步范式的提示就是免费的标签机；
• 非监督自适应靠高置信自举：阈值与滑动系数两个旋钮要按现场调；
• 闭环的目标即标签：以任务为师的自适应支撑了数月免校准的连续运行；
• 校准压缩四派：共享滤波器、跨会话迁移、跨被试预训练、共适应协议。

第四章的四个关卡全部打通：清洗、压缩、推断、追漂。下一章把这条离线管线搬进实时与闭环的世界——外加两篇在真实故障现场里滚出来的复盘手记。