CSCLN-DDTE：一种具有领域多样性和模板增强功能的跨主题对比学习网络，用于SSVEP-BCI频率识别

《Knowledge-Based Systems》：CSCLN-DDTE: Cross Subject Contrastive Learning Network with Domain Diversity and Templates Enhancement for SSVEP-BCI Frequency Recognition

提出基于跨主体对比学习的CSCLN-DDTE网络，通过周期性模板增强和通道相关数据增强，无需校准即可实现SSVEP-BCI系统的高效频率识别，平均信息传输率达166.27±31.09 bit/min（Benchmark）和128.39±30.35 bit/min（Beta），优于现有SOTA方法。

　　脑机接口（Brain-Computer Interface, BCI）技术作为连接人脑与外部设备的桥梁，近年来在医疗康复、人机交互和辅助控制系统中展现出巨大的潜力。特别是在稳态视觉诱发电位（Steady-State Visual Evoked Potential, SSVEP）领域，该技术因其高信噪比、多编码指令、无需校准以及高信息传输率（Information Transfer Rate, ITR）等优势而受到广泛关注。然而，现有的SSVEP-BCI系统在实际应用中仍面临一些挑战，尤其是在系统可用性和个性化适应方面。本文提出了一种基于跨受试者对比学习的网络结构，即跨受试者对比学习网络（Cross-Subject Contrastive Learning Network with Domain Diversity and Templates Enhancement, CSCLN-DDTE），旨在提升SSVEP频率识别的性能，同时减少对在线校准的依赖，从而增强系统的实用性和灵活性。

传统的SSVEP-BCI解码方法主要分为无需校准和需要校准两类。无需校准的方法通常依赖于相关模板匹配，例如基于正弦-余弦参考模板（Sine-Cosine Reference Template, SCRT）的主成分分析（Canonical Correlation Analysis, CCA）方法，以及基于个体转移模板（Individual Transfer Template, ITT）的跨受试者学习方法。这些方法虽然在一定程度上简化了系统操作，但在面对不同个体的脑电特征差异时，往往表现出较低的识别准确率。相比之下，需要校准的方法虽然能够利用个体的特定数据进行优化，但其操作过程复杂，限制了系统的广泛应用。

为了克服这些局限，研究者们尝试引入深度学习（Deep Learning, DL）技术，以提高SSVEP信号的识别能力。深度学习作为一种端到端的数据驱动方法，能够自动提取复杂的脑电信号模式，而无需依赖人工定义的特征。例如，Lawhern等人设计的EEGNet网络在多个任务场景中表现出色，而后续的改进版本如Compact-CNN则进一步优化了网络结构，提高了识别效率。然而，这些端到端方法通常需要大量的训练数据和较高的计算资源，导致模型参数众多，训练过程复杂，难以在实际应用中快速部署。

近年来，跨受试者迁移学习（Cross-Subject Transfer Learning）成为提升SSVEP-BCI系统性能的重要研究方向。这类方法主要分为域适应（Domain Adaptation）和域泛化（Domain Generalization）两类。域适应方法通过减少源域和目标域之间的数据分布差异，提高模型在目标域上的识别能力。例如，Bian等人提出的基于小数据的最小二乘变换（Small Data Least-Squares Transformation, sd-LST）方法，在仅需约10次校准试验的情况下，就能在Benchmark数据集上实现比现有方法更优的识别性能。Liu等人则设计了一种结合空间模式和协方差域对齐的跨设备迁移学习方法，而Deng等人提出的多参考最小二乘变换方法（Multi-Reference Least-Squares Transformation, MRLST）则进一步减少了跨受试者域差距。

另一方面，域泛化方法则致力于从不同源受试者中提取与任务相关的不变特征，以提高模型在未见过的受试者上的泛化能力。例如，Chen等人提出了一种跨域数据对齐的深度神经网络（SSVEP-DAN），通过减少源域和目标域之间的分布差异，显著提升了识别性能。Guney等人则设计了一种基于K-DNN决策表示的模型，其在Benchmark数据集上的平均ITR达到了155.51 bit/min。此外，Liu等人提出的DG-Conformer框架，通过在Transformer架构中嵌入StableNet模块，有效去除了任务相关判别信息与背景噪声之间的伪相关性，从而提高了模型的泛化能力。

然而，现有的跨受试者迁移学习方法仍然存在一些不足。例如，域适应方法通常需要目标域的少量数据进行微调，而域泛化方法则依赖于源域数据的多样性。此外，由于SSVEP信号在不同受试者之间存在个体差异，这些方法在面对新的受试者时，往往需要重新训练或调整模型参数，增加了系统的复杂性和使用成本。

为了解决上述问题，本文提出了一种结合对比学习（Contrastive Learning）和模板增强（Template Enhancement）的跨受试者网络结构，即CSCLN-DDTE。该方法的核心思想是通过引入教师网络（Teacher Network）的先验知识，引导学生网络（Student Network）从不同域中学习SSVEP任务相关的判别特征。具体而言，CSCLN-DDTE网络由六个子模块组成：模板增强模块（Templates Enhancement Module）、域多样性数据增强模块（Domain Diversity Data Enhancement Module）、教师特征提取网络（Teacher Feature Extraction Network, TFEN）、学生特征提取网络（Student Feature Extraction Network, SFEN）、对比学习层（Contrastive Learning Layer, CL）以及分类模块（Classification Module）。

在模板增强模块中，我们利用SSVEP信号在时域中的周期性特征，构建了一个周期重复任务相关组件模板（Periodic Repeating Task-Related Component Template, PRCT）。该模板能够更有效地捕捉SSVEP信号中的关键特征，从而增强教师网络对学生的指导作用。在域多样性数据增强模块中，我们引入了一种通道相关数据重建方法（Reconstruction of Channel Correlation Data Enhancement, RCC），以提高训练样本的域多样性，使模型能够更好地适应不同受试者的特征差异。

此外，为了进一步提升模型的泛化能力，我们在教师特征提取网络中采用了对比学习策略，使教师网络能够从多个源域中学习到更全面的特征表示。学生特征提取网络则通过与教师网络的对比学习，逐步优化自身的特征提取能力。最终，通过对比学习层和分类模块的协同作用，CSCLN-DDTE网络能够在不依赖在线校准的情况下，实现对SSVEP频率的高精度识别。

实验结果表明，CSCLN-DDTE方法在两个公开数据集（Benchmark数据集和Beta数据集）上的平均识别准确率显著优于现有的主流方法，如FBCCA、ttCCA、DNN、EEGNet和TST-CSFR。在Benchmark数据集上，该方法的平均ITR达到了166.27±31.09 bit/min，而在Beta数据集上则达到了128.39±30.35 bit/min。这些结果表明，CSCLN-DDTE方法不仅在识别性能上优于现有方法，而且在实际应用中表现出更高的灵活性和实用性。

值得注意的是，CSCLN-DDTE方法的创新点在于其跨受试者对比学习框架的设计。该框架能够有效利用教师网络的先验知识，引导学生网络从不同域中学习SSVEP任务相关的判别特征。同时，通过构建周期重复任务相关组件模板和通道相关数据重建方法，该方法进一步提升了模型的泛化能力和识别精度。这些改进使得CSCLN-DDTE网络能够在不依赖校准试验的情况下，实现对SSVEP频率的高精度识别，从而为SSVEP-BCI系统的实际应用提供了新的解决方案。

为了验证CSCLN-DDTE方法的有效性，我们在两个公开数据集上进行了离线测试。实验结果表明，该方法在跨受试者识别任务中表现出色，其识别性能显著优于现有方法。通过消融实验，我们进一步验证了域多样性数据增强和模板增强策略对模型性能的提升作用。这些实验结果不仅证明了CSCLN-DDTE方法的优越性，也为未来SSVEP-BCI系统的研究提供了新的思路和方向。

在实际应用中，SSVEP-BCI系统广泛应用于康复辅助、字符拼写和人机交互等领域。例如，字符拼写系统可以利用SSVEP信号的频率特征，实现对特定字符的快速识别；轮椅控制系统则可以通过分析受试者的视觉刺激反应，实现对轮椅运动方向的控制。此外，SSVEP-BCI系统还被用于构建人机混合集群，以提高人机协作的效率和准确性。然而，由于现有方法对校准试验的依赖，这些系统在实际部署中往往面临操作复杂、成本高昂等问题。

CSCLN-DDTE方法的提出，为解决这些问题提供了新的思路。通过引入对比学习和模板增强策略，该方法能够在不依赖校准试验的情况下，实现对SSVEP频率的高精度识别。这不仅降低了系统的使用门槛，也提高了系统的可用性和灵活性。此外，该方法通过构建周期重复任务相关组件模板，能够更有效地捕捉SSVEP信号中的关键特征，从而提升识别性能。同时，通道相关数据重建方法的引入，进一步增强了训练样本的域多样性，使模型能够更好地适应不同受试者的特征差异。

在实际应用中，CSCLN-DDTE方法的高效性和灵活性使其成为构建插拔式（Plug-and-Play）SSVEP-BCI系统的重要工具。插拔式系统能够快速适应新用户，无需复杂的校准过程，从而提高系统的实用性和可扩展性。此外，该方法还能够降低系统的计算成本和数据需求，使其更适合在资源受限的环境中部署。例如，在医疗康复设备中，由于计算资源和数据存储空间的限制，传统的深度学习方法往往难以应用。而CSCLN-DDTE方法通过优化网络结构和训练策略，能够在有限的资源下实现高效的SSVEP频率识别。

总的来说，CSCLN-DDTE方法在SSVEP-BCI系统的研究中具有重要的意义。它不仅克服了传统方法对校准试验的依赖，还通过对比学习和模板增强策略，提升了模型的泛化能力和识别精度。实验结果表明，该方法在两个公开数据集上的表现优于现有主流方法，为其在实际应用中的推广提供了有力支持。未来的研究可以进一步探索该方法在其他类型的BCI系统中的应用，以及如何通过优化网络结构和训练策略，进一步提升其性能和实用性。