基于生成器与欧式对齐融合的跨被试脑机接口运动想象分类模型ST-GENN研究

为解决脑机接口(BCI)中个体脑电信号(EEG)差异导致的分类性能受限问题，研究人员提出了一种结合生成器(Generator)与欧式对齐(Euclidean alignment)的跨被试迁移学习模型ST-GENN。该模型通过三阶段处理（欧式空间对齐、生成器特征迁移、卷积-注意力-时序分类器）在BCI竞赛数据集2a、2b和SHU上分别取得82.85%、86.28%和67.2%的分类准确率，较基线方法提升最高达17.9%，显著提升了运动想象(MI)任务的跨被试解码能力，为临床神经康复应用提供了新思路。

　　

在脑科学与人工智能的交叉领域，脑机接口(BCI)技术正逐步实现"意念操控"的科幻场景。然而，当一位中风患者试图通过想象右手动作来控制机械臂时，其脑电信号(EEG)可能因个体差异而与训练模型不匹配——这种现象被称为"BCI文盲"(BCI illiteracy)，导致约30%用户无法有效使用传统系统。更棘手的是，现有解决方案需要海量多被试数据训练，既耗时耗力又难以临床推广。这一困境背后，是EEG信号受生物噪声干扰大、时空维度高等特性带来的本质挑战。

针对这一瓶颈，广州大学的研究团队在《Journal of Neuroscience Methods》发表创新成果，提出名为ST-GENN的跨被试迁移学习模型。该模型巧妙融合欧式对齐(Euclidean alignment, EA)与生成对抗网络中的生成器(Generator)，仅需单个"黄金被试"数据即可实现知识迁移。在BCI竞赛IV的2a、2b及SHU数据集测试中，其分类准确率分别达82.85%、86.28%和67.2%，最高超越基线方法17.9个百分点，为个体化神经康复提供了新范式。

关键技术包括：1)采用EA对齐源域与目标域EEG信号的协方差矩阵；2)构建生成器通过风格损失(style loss)和分类损失实现特征迁移；3)设计卷积-注意力-时序(CAT)分类器处理动态功能连接特征。实验数据来自9名健康被试的4类MI任务（左右手、脚、舌）EEG记录。

数据描述
研究采用BCI竞赛IV 2a/2b数据集及SHU数据集验证模型。2a数据集包含9名被试执行四类MI任务时的64通道EEG，采样率250Hz，经8-30Hz带通滤波预处理。

基线模型对比
与FBCSP、DeepConvNet等传统方法相比，ST-GENN在2a数据集平均准确率提升2.03%-15.43%。特别对BCI文盲被试，其分类性能改善达统计学显著水平(p<0.05)。

实验分析
消融实验证实EA模块使分类准确率提升4.7%，生成器贡献6.2%增益。注意力机制可视化显示模型能聚焦中央沟附近运动皮层特征，与神经解剖学共识吻合。

讨论
该研究的突破性在于：1)首创EA与生成器的协同架构，通过最小化黎曼流形距离实现高效迁移；2)CAT分类器能捕捉L1-ADTF(自适应定向传递函数)揭示的动态功能连接；3)临床意义在于仅需20分钟校准即可适配新用户，大幅降低应用门槛。

结论
ST-GENN通过三重创新——欧式空间对齐、生成式特征迁移、注意力引导分类——成功弥合了BCI个体差异的"最后一公里"。其方法论价值不仅限于MI分类，为阿尔茨海默病早期诊断等跨被试EEG分析提供了普适框架。未来工作将探索其在植入式BCI中的实时解码潜力。