基于受试者识别置信度量的SQ_EMoE框架：克服P300解码中的受试者变异性

《Frontiers in Neuroscience》：Overcoming subject variability in P300 decoding based on quantification by deep learning

　　

二分类P300解码是P300脑机接口（brain-computer interface, BCI）的基石，支持辅助交流、神经康复和认知监测等应用。然而，脑电图（electroencephalogram, EEG）模式中显著的受试者变异性对通用P300解码器的开发构成重大挑战。为解决该问题，本研究提出SQ_EMoE，一种受试者变异性感知的增强专家混合（Mixture-of-Experts, MoE）框架；该框架利用深度受试者识别网络产生的置信度作为试次级受试者区分度的实用代理。高置信度试次被路由至受试者特定专家，而不确定试次被重定向至池化通用专家，从而使框架动态平衡受试者特定专业化与跨受试者泛化。研究人员进一步可视化潜在受试者表示，以定性考察受试者可分离性及其与路由行为的关系。在两个公开P300数据集各8名随机受试者上的实验产生平均接受者操作特征曲线下面积（receiver operating characteristic–area under the curve, ROC–AUC）值约0.86（BNCI Horizon 2020）和0.89（P300-LINI），优于池化EEGNet和架构匹配的池化P300MCNN基线。消融实验进一步证明置信度控制的通用专家回退的贡献。为评估可扩展性，框架还在P300-LINI全部22名受试者上测试。使用原始受试者识别网络，SQ_EMoE达到平均ROC–AUC 0.8518；在强化受试者表示和识别网络后，性能增至0.8760，超过池化P300MCNN基线（0.8482），并略高于oracle路由或受试者内解码（0.8744）。留一受试者交叉验证（leave-one-subject-out, LOSO）实验进一步表明，未充分配置的SQ_EMoE在可靠受试者特定路由不可用时，保守地将大多数完全未见受试者试次重定向至通用专家。这些结果表明，有效建模受试者变异性，并自适应整合共享和受试者特定表示，为传统“一刀切”EEG解码提供了有前景的替代方案。

研究背景：二分类P300解码是P300脑机接口（BCI）的重要基础，可用于辅助通信、神经康复和认知监测。P300是刺激后约300 ms出现的事件相关电位（event-related potential, ERP）。然而，EEG模式存在显著受试者变异性，导致跨受试者解码对未见用户准确性差、系统依赖耗时校准。现有思路大致有三类：一类强调提升单一模型泛化能力；一类采用专家混合（MoE）以处理较大受试者差异；一类认为EEG表示包含可迁移的受试者无关成分与受试者特异成分，但多停留在概念或假设层面，未量化两类成分比例并据此处理。受试者变异性程度不同，适用策略亦不同，因此需要量化变异性并自适应选择处理方式。研究人员提出SQ_EMoE，以受试者识别网络置信度作为试次级受试者区分度代理，构建增强MoE：高置信度试次进入受试者特定专家，低置信度试次回退至池化通用专家，从而动态平衡受试者特定专业化与跨受试者共享泛化。研究结论表明，该方法在两个公开P300数据集上优于池化EEGNet和架构匹配的池化P300MCNN基线；22名受试者扩展实验中，强化受试者表示与识别网络后性能提升至0.8760，达到或略超oracle/受试者内参考；LOSO中未见受试者主要保守回退至通用专家。其意义在于为传统“一刀切”EEG解码提供替代思路，并显示轻量专家池、置信度路由及共享/特异表示自适应整合的潜力；原文亦指出该方法可广泛适用于其他表现显著受试者变异性的数据。

关键技术方法（不超过250字）：研究采用两个公开P300数据集：BNCI Horizon 2020 Dataset（Dataset 8）含8名肌萎缩侧索硬化症（amyotrophic lateral sclerosis, ALS）受试者的8通道EEG；P300-LINI含22名健康学生受试者的10通道EEG（分析采用6通道子集）。方法上构建SQ_EMoE，包括受试者变异性量化与增强MoE两模块；以受试者识别网络Softmax置信度作为试次级受试者区分度代理，按阈值将高置信度试次路由至受试者特定专家、低置信度试次回退至池化通用专家；所有专家采用P300MCNN（161参数）。评估采用5折交叉验证、ROC–AUC、t-分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE）可视化64维受试者嵌入、LOSO、22受试者扩展、0.6–0.8阈值扫描，以及Wilcoxon符号秩检验、Cohen’s d和bootstrap 95%置信区间。

研究结果：
3.1 Known-subject evaluation（已知受试者评估）：该设置中每名受试者在训练中出现并有对应受试者特定专家。通过5折交叉验证比较SQ_EMoE与池化基线及消融模型，结论是SQ_EMoE能容纳多受试者异质解码特征，且优于池化模型。
3.1.1 BNCI Horizon 2020：8名受试者上，SQ_EMoE平均ROC–AUC为0.8586（受试者层面约0.80–0.95，折间均值约0.84–0.87）；池化P300MCNN为0.8317，池化EEGNet为0.8323；去除通用专家和置信度回退的消融模型为0.8468。t-SNE显示8个较明显簇但存在重叠和误分类，部分高置信度误路由。结论：SQ_EMoE优于池化基线，专家专业化和置信度控制回退均有贡献。
3.1.2 P300-LINI：8名随机受试者上，SQ_EMoE平均ROC–AUC为0.8908（受试者约0.87–0.92）；池化P300MCNN为0.8755，池化EEGNet为0.8764；无通用专家消融为0.8827。t-SNE显示更复杂拓扑和边界交叉，错误路由更多集中于低置信度区，阈值可实时标记并回退。结论：跨数据集表现稳定；受试者变异性较小时池化基线相对更好，变异性较大时MoE相对更好，SQ_EMoE可通过阈值平衡。
3.2 Unseen-subject evaluation（未见受试者评估）：采用LOSO，每轮完全排除一名测试受试者，评估无受试者特定校准样本时的泛化与回退行为。结论是无可信路由时框架保守回退至通用专家，性能接近池化基线。
3.2.1 BNCI Horizon 2020：SQ_EMoE平均ROC–AUC为0.7819，约99.8%未见试次路由至通用专家；池化EEGNet为0.7809，差异很小且原文指出不具统计显著性。结论：受试者池有限时SQ_EMoE更接近通用模型，路由机制避免将未知用户自信分配给不适当专家。
3.2.2 P300-LINI：SQ_EMoE平均ROC–AUC为0.8499，约99.1%试次路由至通用专家；池化EEGNet为0.8467。结论：P300-LINI受试者变异性较低，较易找到相对匹配专家；未见受试者主要依赖池化通用专家。
3.3 Known-subject evaluation across 22 subjects（22名受试者已知受试者评估）：在P300-LINI全部22名受试者上检验可扩展性。原始识别网络直接扩展至22名受试者时，t-SNE显示大量重叠、数千错误，SQ_EMoE为0.8518，池化P300MCNN为0.8482；升级受试者表示和识别网络后簇更可分、错误降至数百，SQ_EMoE升至0.8760，超过原版0.8518和oracle routing/受试者内解码0.8744；与oracle差异+0.0016，p=0.6143、Cohen’s d=0.175，不显著；与原版和通用模型相比分别+0.0242（p<0.001, d=1.143）和+0.0279（p<0.001, d=1.008），95%置信区间均排除零。阈值0.6–0.8呈先升后降，0.7最佳。结论：受试者表示和置信度估计质量是有效路由关键；SQ_EMoE可达或略超受试者内参考，受试者特定与共享信息可非互斥。

讨论与局限总结：原文指出，Softmax置信度是受试者变异性的操作代理，而非理论分布距离的直接估计，其可靠性依赖受试者识别网络质量与校准；22受试者实验表明改进识别表示可显著改善下游性能。当前评估仍限于两个P300数据集，专家池相对预期可扩展设置较小。未来需研究更好校准或可学习的不确定性度量、可扩展专家检索与选择、更大且更异质的受试者人群、面向未见用户的自适应机制，并扩展至运动想象、稳态视觉诱发电位等生理信号，以检验置信度引导的共享/特异表示整合是否具有超越P300解码的一般性。

研究结论（译）：本研究提出SQ_EMoE，一种用于跨受试者二分类P300解码的受试者变异性感知专家混合框架。SQ_EMoE不假设单一泛化解码器或完全受试者特定模型普遍最优，而是利用受试者识别网络产生的置信度作为试次级受试者区分度的实用代理。能够以高置信度关联到已知受试者的试次被路由至相应受试者特定专家，而不确定试次被重定向至池化通用专家。因此，该框架动态平衡受试者特定专业化与跨受试者共享表示的利用。在BNCI Horizon 2020和P300-LINI各8名受试者上的五折交叉验证实验分别产生约0.86和0.89的平均ROC–AUC。SQ_EMoE持续优于池化EEGNet和架构匹配的池化P300MCNN基线。消融实验进一步表明，强制所有试次通过受试者特定专家会降低性能，支持除专家专业化本身外置信度控制的通用专家回退的贡献。受试者嵌入可视化提供补充定性证据，表明学习到的受试者表示与路由行为密切相关：受试者可分离性越大，受试者特定路由越可靠；表示重叠导致路由不确定性增加并更多依赖通用专家。这些观察支持SQ_EMoE的核心动机：共享信息和受试者特定信息的相对贡献应自适应处理，而非通过固定解码策略。重要的是，额外的22受试者P300-LINI实验进一步阐明了受试者识别组件在整体框架中的作用。当原始识别网络直接从8名受试者扩展到22名受试者时，学习到的受试者空间出现大量重叠，SQ_EMoE平均ROC–AUC仅为0.8518，仅略高于池化P300MCNN基线0.8482。在强化受试者表示和识别网络后，受试者可分离性显著改善，平均ROC–AUC增至0.8760。该结果也略高于oracle/受试者内参考0.8744。结合阈值分析（在评估设置中确定0.7为最佳置信度阈值），这些结果表明受试者表示和置信度估计质量是有效专家路由的关键决定因素。更重要的是，SQ_EMoE达到或略超受试者内参考的能力表明，利用受试者特定信息和共享跨受试者信息不必相互排斥：受试者特定专家可捕获个体化特征，而通用专家对表示更能由共享跨受试者结构解释的试次仍有益。LOSO实验为完全未见受试者提供了补充且更保守的评估。SQ_EMoE在BNCI Horizon和P300-LINI分别达到平均ROC–AUC 0.7819和0.8499，而池化EEGNet分别为0.7809和0.8467。在保守置信度标准下，约99.8%和99.1%的未见受试者试次被重定向至通用专家。因此，当不存在相应受试者特定专家时，路由机制通常避免将不熟悉用户自信地分配给不适当的已知受试者专家，而是回退至池化跨受试者解码。同时，相对池化基线的适度改善表明，SQ_EMoE在有用受试者特定模式存在于可用专家池中时收益最大。仍存在若干局限。第一，Softmax置信度是受试者变异性的操作代理，而非本研究中理论定义的分布距离的直接估计，其可靠性取决于受试者识别网络的质量和校准。22受试者实验使这一依赖尤为明显：改进识别表示显著改善下游SQ_EMoE性能。第二，尽管扩展的P300-LINI实验证明了对22名受试者的可扩展性，当前评估仍限于两个P300数据集，且专家池相对于预期可扩展设置仍较小。因此，未来工作应研究更好校准或可学习的不确定性度量、可扩展专家检索与选择、大幅更大且更异质的受试者人群，以及针对先前未见用户的自适应机制。将SQ_EMoE扩展到运动想象、稳态视觉诱发电位和其他生理信号也将是必要的，以确定置信度引导的共享与受试者特定表示整合是否构成超越P300解码的管理受试者变异性的一般策略。