利用100名受试者的脑电图(EEG)数据,实现多类节奏性运动意象的高性能跨主题解码

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:High-Performance Cross-Subject Decoding of Multiclass Rhythmic Motor Imagery Using EEG Data from 100 Subjects

【字体: 大 中 小 】 时间:2026年03月24日 来源:IEEE Transactions on Neural Systems and Rehabilitation Engineering 5.2

编辑推荐:

  本研究致力于破解脑机接口(BCI)应用中个体差异大、校准耗时的核心难题。研究团队聚焦于可诱导稳定态运动相关节律(SSMRR)的节律性运动想象(Rhythmic MI)范式,开展了大规模跨被试解码探索。结果表明,基于简单的多层感知机(MLP)架构,即可在100名受试者数据上实现高达72.94%的四分类跨被试解码准确率。该研究从模型与数据双视角,为构建高效实用的跨被试BCI系统提供了新的见解。

  
想象一下,仅凭意念就能操控机械臂、打字交流,甚至驱动轮椅——这便是脑机接口(Brain-Computer Interface, BCI)技术描绘的未来图景。其中,运动想象(Motor Imagery, MI)范式因其无创、自然的特性,成为非侵入式BCI研究的主流方向。然而,梦想照进现实的道路上横亘着一道巨大的障碍:人与人之间的大脑如同独一无二的指纹,其产生的脑电图(Electroencephalogram, EEG)信号存在着显著的个体差异。这意味着,为一位用户精心校准的BCI模型,在另一位用户身上可能几乎无法工作。这种“水土不服”迫使BCI在每次更换使用者时都必须进行漫长而繁琐的重新校准,严重阻碍了其走出实验室、实现普及应用。
近年来,研究者们发现了一种更具结构化的脑电特征——稳定态运动相关节律(Steady-State Movement-Related Rhythms, SSMRR),它可以通过让受试者按照固定节律(例如,跟随听觉提示音)想象运动来诱发。与传统的、自发波动的感觉运动节律(Sensorimotor Rhythms, SMR)相比,SSMRR可能为克服个体差异、实现高效的“一次训练,多人适用”(即跨被试解码)提供新的突破口。那么,基于这种节律性运动想象(Rhythmic MI)范式,我们能否实现高精度的跨被试解码?什么样的计算模型能更好地驾驭这些信号?又该如何利用数据来提升模型的泛化能力?为了回答这些关键问题,一项发表于《IEEE Transactions on Neural Systems and Rehabilitation Engineering》的研究展开了深入探索。
研究方法概览
该研究团队自行采集并构建了一个大规模数据集,包含100名BCI初试者(即之前未接触过BCI任务)在执行四类(左手、右手、双脚、舌头)节律性运动想象任务时的脑电数据。从技术方法层面,研究主要从模型架构和数据策略两个角度进行探索。在模型方面,研究构建了一种基于简单多层感知机(Multilayer Perceptron, MLP)功能模块的流线型网络,并将其与多种先进的深度学习模型进行性能对比。在数据方面,系统性地研究了训练集规模对跨被试解码性能的影响,并创新性地提出了基于脑电特征一致性的高质量训练数据筛选策略,以探究优化数据质量对提升模型泛化能力的作用。
研究结果
模型视角:简单MLP网络媲美或超越先进模型
研究人员设计了一个由MLP模块构成的简洁网络。实验结果表明,这个看似简单的模型在四类跨被试解码任务中取得了令人鼓舞的准确率(72.94% ± 13.80%)。更重要的是,其表现与多种当前最先进的模型不相上下,甚至更优。这一发现挑战了“模型越复杂,效果越好”的常见预设,提示对于基于节律性MI的跨被试解码任务,精心设计的简单架构可能已经足够有效,这为开发轻量、高效的实用化BCI解码器提供了新思路。
数据视角:扩大训练规模显著提升解码性能
研究深入分析了数据规模的影响。结果显示,随着用于训练模型的受试者数据量增加,跨被试解码的准确率得到了实质性提升,从使用较小规模数据时的61.78%提高到了使用全部可用数据时的72.94%。这直观地证明了“大数据”在应对脑电个体差异性方面的威力:让模型见识更多不同人的大脑模式,它能更好地学会提取共性特征,从而更好地适应陌生的新用户。
生理机制:特征一致性与解码精度强相关
为了解释为何扩大数据规模有效,研究进一步从生理学角度进行了剖析。他们计算了不同受试者之间脑电特征的一致性程度,并发现这种特征一致性与跨被试解码准确率之间存在强烈的正相关关系。这意味着,当不同受试者在执行相同运动想象任务时,如果他们大脑产生的电生理模式越相似,那么模型就越容易找到通用的规律,从而在新受试者上获得更好的性能。这为“通过扩大数据提升泛化能力”提供了直接的生理学证据。
数据筛选:特征一致性是比个体内精度更可靠的准则
在实际应用中,获取大量高质量标注数据成本高昂。因此,研究探索了如何从已有数据中筛选出对跨被试训练最有价值的“高质量”子集。他们比较了两种筛选准则:一是基于受试者自身的脑电特征一致性;二是基于受试者个体内部的解码准确率。结果发现,基于特征一致性的筛选策略远比基于个体内精度的策略更为可靠。换言之,一个在其自身数据上解码表现很好的受试者,其数据未必有助于提升模型的跨被试泛化能力;而那些能提供高一致性、代表性脑电模式的受试者,其数据对于训练一个泛化能力强的模型至关重要。
结论与意义
本研究通过系统性的探索,从模型和数据两个维度为基于节律性运动想象的跨被试脑电解码提供了新的见解。结论表明,采用节律性MI范式诱发的SSMRR特征,结合精简有效的MLP网络模型,能够在大规模(百人)初试者队列上实现高性能的四类跨被试解码。研究不仅验证了扩大训练数据规模是提升跨被试泛化能力的有效途径,还从特征一致性的角度揭示了其背后的生理学原理。此外,研究所提出的基于特征一致性的高质量训练数据筛选准则,为在有限资源下构建高性能跨被试BCI模型提供了实用的数据策略。这些发现共同推进了人们对如何克服脑电个体差异、减少BCI校准时间这一核心挑战的理解,为开发真正“即插即用”型的实用化脑机接口系统奠定了重要的方法学基础。研究的全部代码已开源,以供学术界进一步研究和应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号