编辑推荐：
为解决脑机接口（BCI）系统中 EEG 信号处理难题，如噪声干扰、个体差异大等，研究人员开展用遗传算法（GA）优化变压器混合架构的研究。结果显示该方法提升了分类精度，且泛化性强。这为 BCI 系统发展提供新方向。
在科技飞速发展的今天，脑机接口（Brain - Computer Interface，BCI）技术逐渐走进大众视野，它有望为瘫痪患者等特殊人群带来重新掌控生活的希望。通过将大脑信号转化为指令，实现对外部设备的控制，这一过程听起来就像科幻电影中的神奇桥段。然而，现实中 BCI 技术面临着诸多挑战。脑电图（Electroencephalography，EEG）信号就像一团杂乱无章的 “信号迷雾”，充满噪声，而且不同个体的 EEG 信号差异巨大，就像每个人都有独特的 “信号密码”，这使得信号处理变得异常困难，信号的低信噪比也让有效信息的提取如同大海捞针。
为了突破这些困境，来自未知研究机构的研究人员开展了一项极具创新性的研究。他们将目光聚焦于遗传算法（Genetic Algorithm，GA）和变压器混合架构，试图通过 GA 优化变压器混合架构，实现对 EEG 信号的高效处理，进而提升 BCI 系统的性能。
研究人员在研究过程中用到了多个关键技术方法。首先，选用了两个数据集，一个来自 Physionet Motor Imagery 数据库（Dataset I），包含 109 个受试者的 1500 多份 EEG 记录；另一个来自柏林脑机接口竞赛 IV 的 Subset 2a（Dataset II），涉及 9 个受试者的四类运动想象任务 EEG 记录 。实验基于 Python 3.11 和 PyTorch 2.4.0 平台，利用 GA 对网络架构进行优化。在 GA 实现过程中，采用实值基因组编码策略，通过定义适应度函数、选择交叉个体、进行交叉和变异操作以及保留精英个体等步骤，探索最优网络架构。
下面来看具体的研究结果：
- 模型性能优异：经过 GA 优化的模型在两个数据集上表现出色。在 Dataset I 上，验证准确率达到 89.26%±6.1%，远超传统模型如 EEGNet（70.00%）和 t - CTrans（78.98%）；在 Dataset II 上，验证准确率为 84.52%±9.62% ，kappa 评分达到 79.37%±12.82%，优于 CTNet（82.52%±9.61%）等前沿模型。这表明 GA - Heuristic 模型在 EEG 信号分类任务中具有强大的性能优势。
- 关键参数影响显著：统计分析发现，基因组复杂度（genome length）对模型性能影响显著（F = 34.10，p<0.00001），较大的基因组能实现更丰富的特征提取。此外，变压器层的数量（ntrans）是影响模型性能的关键架构组件，对验证准确率（F = 12.10，p = 0.0019）和 kappa 评分（F = 10.97，p = 0.0028）都有显著影响。这说明在设计 GA 优化的 BCI 模型时，应重点关注这两个参数。
- 设备加速效果明显：研究对比了 CPU 和使用 Metal Performance Shaders（MPS）的设备在训练模型时的性能。结果发现，MPS 在处理卷积层时计算成本更低，虽然随着变压器层数量增加，计算时间也会增长，但 MPS 仍比 CPU 快得多，平均加速因子达到 15.59x±2.71x。这表明 MPS 在处理复杂架构的深度学习模型训练时具有显著优势。
从研究结论和讨论部分来看，该研究成果意义重大。一方面，首次将 GA 应用于优化变压器混合的 EEG - BCI 系统，成功进化出高性能神经网络架构，且这些架构具有跨数据集适用性，解决了 BCI 研究中模型泛化性的关键问题，为后续 BCI 系统的发展提供了新的方向和思路。另一方面，研究还发现了 GA 优化过程中的关键影响因素，为进一步优化模型提供了理论依据。不过，研究也存在一些局限性，如受 M1 Silicon 芯片本地资源限制，实验规模有限；未来可探索更复杂的初始基因组长度设置，还需研究模型在实时控制场景下的性能等。
总的来说，这项发表在《Biomedical Signal Processing and Control》上的研究，为 BCI 技术的发展注入了新的活力。它不仅在理论上为 EEG 信号处理提供了创新方法，而且在实际应用中展现出巨大潜力，有望推动 BCI 技术从实验室走向更广泛的临床和日常生活场景，为改善特殊人群的生活质量带来新的希望。
