ESI驅動的跨數據集導聯對齊以增強運動解碼

當前腦機接口（Brain–Computer Interface, BCI）系統在應用中往往受到腦電（EEG）數據量不足的困擾，限制了數據驅動型解碼算法的性能提升。盡管公開數據集可作為潛在補充，但由于外部數據在實驗范式、電極數量及布局等方面存在明顯差異，這些數據難以直接用于現有解碼模型的訓練。針對上述問題，本文提出一種基于腦電源成像（Electroencephalogram Source Imaging, ESI）的電極布局對齊的算法——E-MAP（ESI-based Montage Alignment Project algorithm）。該方法可將外部數據集映射至統一的標準電極布局，充分利用具有相似實驗范式的外部數據以擴大訓練數據規模。在此基礎上，本文驗證了包含外部數據集預訓練、目標數據集適配及被試個性化微調的“兩階段遷移學習”框架。在多個公開數據集的實驗結果表明，采用該框架的五種典型腦電解碼算法均獲得了顯著的分類準確率提升。這些結果說明了通過E-MAP利用外部數據集，緩解腦電數據不足的局限性，以提高解碼器的準確率。

01

研究背景及主要內容

非侵入式腦電信號因其安全性與易用性被廣泛應用，其中運動想象是最常見的范式之一。然而，在實際應用中，單個數據集的樣本規模往往有限，且不同數據集之間在實驗范式、電極數量及電極布局上也存在一定差異。這些因素使得傳統深度學習解碼器難以直接整合外部數據進行聯合訓練，從而影響模型的識別準確率。

圖1跨數據集訓練中存在的問題

現有研究中，跨數據集腦電對齊通常采用通道交集、空間插值或基于獨立編碼器的特征映射等策略。然而，通道交集方法往往舍棄部分電極通道，導致空間分辨率降低；空間插值依賴近似計算，可能引入噪聲與偏差；多編碼器結構雖然能夠適配異構輸入，但會顯著增加模型復雜度，并對訓練數據量提出更高要求。此外，這些方法普遍難以顯式保留源級生理信息，跨數據集遷移效果仍受限制。

為解決上述問題，本文提出一種基于腦電源成像的電極布局對齊算法。該方法利用人腦MRI數據構建頭部解剖模型，并結合電場傳播的物理約束，建立頭皮電極電位與大腦皮層偶極子活動之間的數學映射關系。在此基礎上，算法通過逆向求解將不同數據集的頭皮電位反演到皮層偶極子源空間，獲得能夠反映腦活動本質的統一源級表示。隨后，再基于目標數據集的電極布局，從源空間執行正向映射，將皮層偶極子活動投影回目標電極布局，從而生成統一布局的腦電數據，實現跨數據集的電極布局對齊與統一。

在完成電極布局標準化后，本文進一步構建了“兩階段遷移學習”框架，以提升解碼模型在拓展數據集與目標被試上的適配能力。該框架首先利用經 E-MAP 對齊后的外部數據集對解碼網絡進行預訓練，以充分學習跨個體、跨數據集的共享運動想象表征；隨后，在目標數據集上執行逐步微調，使網絡參數適應特定采集條件與信號分布；最后，使用目標被試的少量樣本進行個性化再微調，以進一步緩解個體差異對模型性能的影響。

圖2 E-MAP方案和“二階段遷移學習”框架

為驗證本文所提出的方法和框架的可行性與通用性，本文選取多組公開 EEG 數據集，并在多種典型深度學習模型架構下進行了系統對比實驗。同時，通過特征可分性分析與可視化手段，對統一布局后特征的判別能力進行了定量驗證。

02

研究結果

實驗結果表明，基于 E-MAP 標準化后的跨數據集訓練方案能夠在多個公開 EEG 數據集中顯著提升運動想象解碼性能。如表所示，在 PhysioNet、OpenBMI、Moritz以及 Zhou 四個常見的公共數據集上，采用“兩階段遷移學習”策略（TSTL）在準確率、精確率和召回率上均取得最高表現，相比SO（僅使用單一被試數據預訓練）獲得 15% 以上的平均準確率增益。相比其他遷移方案TTL（僅使用單一數據集預訓練）、ETL（僅使用外部數據集預訓練）、OSTL（所有數據集預訓練），TSTL 在四個數據集上均實現穩定且領先的指標，展現出更強的跨被試泛化能力。整體而言，多模型、多數據集驗證結果充分證明了所提出的電極布局對齊和層級式遷移策略在緩解個體差異和提升跨數據集解碼性能方面的有效性與通用性。

圖3 SO與TSTL框架在公開數據上的準確率

表1各框架在公開數據集上的分類準確率對比

03

研究貢獻和前景

本研究提出了基于腦電源成像的電極布局對齊方法與“兩階段遷移學習”框架，突破了跨數據集電極異構和樣本規模有限帶來的性能瓶頸，為構建更穩定性的運動想象解碼模型提供了有效路徑。通過在統一布局下整合多源腦電數據，并結合層級式參數適配策略，顯著提升了跨被試的識別準確率與特征可分性。研究成果為跨數據集腦機接口系統的訓練范式提供了新的技術思路，為高可靠性、可擴展的腦機解碼應用奠定了方法基礎。

論文鏈接：

https://ieeexplore.ieee.org/abstract/document/11218006

僅用于學術分享，若侵權請留言，即時刪侵！

歡迎加入腦機接口AI星球

獲取更多腦機接口+AI等領域的知識和資源。

歡迎來稿

1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI

點擊投稿：

2.加入社區成為兼職創作者，請聯系微信：RoseBCI

一鍵三連「分享」、「點贊」和「在看」

不錯過每一條腦機前沿進展