基于门控并行特征融合的多任务学习模型提升运动想象脑电信号分类性能

针对运动想象脑电信号(MI-EEG)跨被试分类中存在的数据分布差异问题，研究人员创新性地提出门控并行特征融合多任务学习模型(GPFMTL)。该模型通过定制化任务子网络和门控机制，平衡任务特异性特征学习与共享知识迁移，在PhysioNet和BCI IV 2a数据集上分别实现2.1%和2.6%的准确率提升(p<0.05)，为脑机接口(BCI)系统泛化能力提升提供新思路。

　　

在脑机接口(BCI)技术蓬勃发展的今天，运动想象(Motor Imagery, MI)脑电信号(EEG)解码技术让"意念控制"逐渐成为现实。这种无需肢体动作就能操控外部设备的技术，在卒中康复和智能假肢等领域展现出巨大潜力。然而当我们试图将训练好的模型应用于不同使用者时，却遭遇了令人头疼的"跨被试魔咒"——由于EEG帽佩戴位置、个体脑解剖差异等因素，模型在新用户身上的表现往往断崖式下跌。现有基于共享特征提取器的多任务学习(Multi-Task Learning, MTL)方法就像试图用同一把钥匙开所有锁，难以兼顾共性规律与个体特性。

来自新西兰奥塔哥大学的研究团队在《Expert Systems with Applications》发表的这项研究，带来了突破性的解决方案。研究者创新性地设计出门控并行特征融合多任务学习模型(GPFMTL)，其核心思想犹如组建特种部队——为不同任务配备专属特征提取"专家"，再通过智能"通信官"(门控控制模块)协调信息交流。这种设计在PhysioNet和BCI IV 2a两个权威数据集上大放异彩，不仅显著超越11种现有深度学习模型，更在跨被试测试中创下准确率提升2.6%的新纪录。

研究采用多尺度一维时间滤波器处理原始EEG信号，构建并行任务子网络架构：主任务(MT)子网络专注MI分类，辅助任务(AT)子网络负责输入重构。通过门控控制模块(GCM)实现特征层与预测层的动态信息交互，采用梯度反转层(GRL)对抗域偏移。实验采用严格的留一被试交叉验证，对比包括EEGNet、FBCSP等基准模型。

研究结果
Parallel Feature Fusion Multi-Task Learning Model
模型架构创新性地采用双分支设计：MT子网络包含时空特征提取模块，AT子网络通过解码器重构输入信号。门控机制采用sigmoid函数实现0-1连续调控，相比硬性共享参数提升3.2%泛化能力。

Experiments
在PhysioNet数据集四分类任务中，GPFMTL达到78.3%准确率(较最优基线提升2.1%)。BCI IV 2a数据集上更取得72.6%的跨被试准确率(p<0.05)，显著缓解传统方法的负迁移现象。

Ablation Study
消融实验揭示：并行结构贡献1.8%性能提升，门控机制防止了38.7%的干扰特征传播。多尺度滤波器使时域特征提取效率提升22%，而辅助任务则增强模型对噪声的鲁棒性。

Limitation and Future Work
当前模型参数量达4.7M，未来可通过神经架构搜索优化。研究者指出，探索更多辅助任务(如情感识别)可能进一步突破性能瓶颈。

这项研究犹如为BCI领域安装上"智能变速器"，首次实现任务特异性学习与知识共享的动态平衡。其价值不仅体现在算法性能提升，更开创性地证明：在神经信号解码这类高个体差异领域，并行化架构比传统共享模式更具生物学合理性。当其他研究还在纠结"共享多少"时，GPFMTL已经回答"如何智能共享"——这为医疗级BCI设备研发铺平了道路，也让个性化脑机接口的曙光初现。