개인 간의 뇌파(EEG) 신호의 큰 변동성으로 인해, 지속적인 EEG 디코딩 작업에서 새로운 피험자가 추가될 때 이전 피험자로부터 얻은 지식이 덮어쓰여지는 문제가 발생한다. 기존 연구는 망각을 방지하기 위해 이전에 관찰된 피험자의 데이터를 재생 버퍼로 저장하는 데 의존하지만, 개인 정보 보호 문제나 메모리 제약으로 인해 이 방법은 비현실적이다. 본 논문에서는 과거 EEG 샘플에 접근하지 않고 이전 지식을 보존하는 Prototype-guided Non-Exemplar Continual Learning (ProNECL) 프레임워크를 제안한다. ProNECL은 각 피험자로부터 차별적인 표현을 요약하기 위해 클래스 수준의 프로토타입을 구축하고, 피험자 간 특징 정렬 및 지식 증류를 통해 새로운 특징 공간을 글로벌 프로토타입 메모리에 점진적으로 정렬한다. BCI Competition IV 2a 및 2b 데이터 세트에서 검증한 결과, 본 프레임워크는 지식 유지와 적응성을 효과적으로 균형을 이루며, 피험자 간 지속적인 EEG 디코딩 작업에서 우수한 성능을 달성했다.
