基于SincEEGNet的自适应多频卷积神经网络在稳态视觉诱发电位识别中的突破性研究

为解决传统SSVEP识别方法中滤波器组(FB)参数固定且依赖专家经验的问题，研究人员开发了基于SincNet模块的端到端自适应多频神经网络SincEEGNet。该模型通过可学习的带通滤波器动态优化频段划分，结合分离卷积和SE模块实现特征提取与加权，在UCSD和Wearable数据集上显著超越FBCCA、EEGNet等基准方法（p<0.05），最高准确率达77.67%，ITR提升至142.93 bits/min。这项研究为脑机接口(BCI)系统提供了更高效的SSVEP识别方案。

　　

在脑机接口技术迅猛发展的今天，稳态视觉诱发电位（SSVEP）因其无需用户训练、指令容量大等优势，成为康复医疗领域的重要交互范式。然而传统SSVEP识别方法面临两大瓶颈：一是依赖专家经验预定义滤波器组（FB），难以适配个体差异；二是固定参数的FB会破坏深度学习模型的端到端特性，限制多频节律的充分利用。现有基于FB的CCA（FBCCA）或神经网络（如FB-tCNN）方法，虽能提取SSVEP的多频特征，但其手工设计的滤波器可能并非最优，且独立于后续网络结构，导致识别效率受限。

针对这一挑战，国内某研究机构的研究团队创新性地将语音信号处理中的SincNet模块引入SSVEP识别领域，构建了名为SincEEGNet的端到端自适应多频神经网络。该模型通过可微分sinc函数构造带通滤波器，使FB参数（截止频率f₁和带宽f_band）能通过反向传播动态优化，实现数据驱动的频段划分。结合分离卷积（Separable Convolution）和压缩激励（SE）模块的多层次特征提取架构，显著提升了SSVEP节律特征的利用率。相关成果发表在《Intelligent Sports and Health》期刊，为脑机接口系统提供了新的技术路径。

研究团队采用了两项关键技术：1）基于公开SSVEP数据集（UCSD：10名受试者；Wearable：102名受试者）的跨被试验证策略；2）融合SincNet滤波、时空卷积和子分类损失（subClassify block）的混合训练框架。其中SincNet模块通过公式g_w[n]=2f₂sinc(2πf₂n)-2f₁sinc(2πf₁n)构造可学习带通滤波器，初始化时参考FBCCA的M₃方法设置6个滤波器（H=6），频带覆盖6-50Hz。

关键研究发现如下：
3.1 识别性能突破
在UCSD数据集上，SincEEGNet以77.67%准确率（1s数据）显著超越EEGNet（76.28%）和FBCCA（58.93%），ITR达131.95 bits/min。102名受试者的Wearable数据集验证显示，其0.5s短时识别准确率（47.92%）比FB-tCNN提高24.6%，证明模型具备优异的跨被试泛化能力。

3.2 自适应滤波器可视化
通过分析训练后滤波器参数发现：1）滤波器中心频率普遍向低频偏移（如UCSD数据中Filter 1的f₁从预设6Hz降至3.95±0.37Hz），表明模型自动强化了对强节律频段的关注；2）不同受试者数据训练出的滤波器频带存在显著差异（p<0.05），证实自适应机制的必要性。

3.3 消融实验验证
固定滤波器参数的SincEEGNet-fixed模型性能显著下降（UCSD 1s数据准确率降低0.54%），且统计检验显示差异具有显著性（p<0.05），证明可学习FB对模型性能的关键作用。

4.1 滤波器数量优化
对比实验表明H=6时模型在参数量（59,864）和性能间达到最优平衡。H增至12时准确率无显著提升（p>0.05）但参数增加93.89%，而H=4时性能显著降低（p<0.05）。

这项研究通过将SincNet与深度神经网络创新结合，首次实现了SSVEP识别中滤波器参数的端到端优化。其重要意义在于：1）突破传统FB方法依赖专家经验的局限，通过数据驱动自动发现最优频带划分；2）在保持EEGNet轻量级特性的同时（参数量仅增加30.87%），显著提升跨被试场景下的识别效率；3）为多频生物电信号处理提供了可解释的深度学习框架，滤波器可视化结果（图2）显示模型符合神经电生理学特征。未来工作可探索Transformer架构增强长程依赖建模，并推动该技术在在线脑机接口系统中的应用。