一种带有动态超补全器的混合深度神经网络架构，用于非平稳脑电图解码

《Engineering Applications of Artificial Intelligence》：A hybrid deep neural architecture with Dynamic Hyper Complementor for non-stationary Electroencephalogram decoding

　　• 基于CNN–ConvLSTM–Transformer的试次级动态序列补全。
• 补全标记仅作为键/值参与注意力计算以吸收漂移，随后被丢弃，避免污染查询向量。
• 通过超网络生成试次特定的（μ, σ, ρ）补全，并去相关以实现正交性。
• 在三个异构EEG任务（MI、SSVEP和ICPA）上取得一致的1.5%–4.0%性能提升。

引言

脑机接口（BCI）在下一代工业控制应用和康复设备中展现出巨大潜力（Li等，2023；Zhao等，2020；Li等，2026）。过去十年中，BCI已成为辅助和预防护理慢性神经肌肉疾病患者的关键工具（Mane等，2020；Camargo-Vargas等，2021；Lazarou等，2018）。在多种BCI模态中，脑电图（EEG）因其低侵入性和研究操作简便性，已成为记录脑活动的首选方法（McFarland和Wolpaw，2017）。目前，基于EEG的BCI系统不仅整合了常见的神经生理模式，如运动想象（MI）（Yu等，2018）、P300事件相关电位（ERP）（Yu等，2019）和稳态视觉诱发电位（SSVEP）（Faller等，2010），还涵盖了包括情绪信号在内的其他多种模式（Chen等，2024）。

传统的EEG解码方法依赖先验知识来设计手工特征，例如用于运动想象（MI）任务的公共空间模式（CSP）（Ramoser等，2000）和用于稳态视觉诱发电位（SSVEP）任务的典型相关分析（CCA）（Li等，2011）。尽管这些方法在特定场景下表现稳定，但其特征提取和分类器优化相互解耦，难以适应个体间的神经生理变异性（Ji等，2024）。近年来，端到端深度学习方法通过联合优化特征表示和分类边界，有效克服了手工特征的局限性。卷积神经网络（CNN）凭借其局部感受野和权重共享机制，能够自动提取时空-频谱多域特征，如EEGNet（Lawhern等，2018）和DeepConvNet（Schirrmeister等，2017）等紧凑架构已成为跨范式解码的基准模型。同时，Transformer凭借其建模全局依赖关系的能力，在自然语言处理（NLP）和计算机视觉领域取得巨大成功后被迅速引入EEG解码领域（Vaswani等，2017；Xie等，2026；Yang等，2026；Nawaz等，2026；Sun等，2025）。混合架构结合了CNN的局部归纳偏置和Transformer的全局上下文建模能力，展现出超越单一范式模型的泛化潜力（Fu等，2025；Deng等，2023；Wang等，2025；Hazmoune和Bougamouza，2024）。

尽管混合Transformer在解码多种BCI范式方面取得了成功，但仍存在两个关键挑战。首先，EEG信号固有的非平稳性在多个时间尺度和群体尺度上表现明显：（i）试次级非平稳性——同一会话内单个试次之间的分布偏移，由注意力波动、疲劳、电极阻抗和认知状态驱动（Ng和Guan，2023；Z.S. Chen等，2025）；（ii）会话级非平稳性——由于实验条件和生理状态的不同，不同日期的记录会话之间存在系统性分布偏移（Pan等，2024；Pan等，2025）；（iii）受试者级非平稳性——神经解剖学和神经生理学上的个体间差异（Wang等，2024）。现有研究常常混淆这些不同的尺度，导致试次级动态变化未被充分处理。至关重要的是，试次条件化特征生成——通过单试次统计量进行瞬时重新校准而无需目标梯度——与测试时自适应（TTA）（对流式试次执行在线参数更新，如熵最小化（Li等，2024））以及跨受试者泛化（针对个体间而非个体内变异性）存在根本区别。其次，大多数现有工作仅关注单一BCI范式，缺乏应对可能涉及多种解码场景的实际应用的灵活性（Z.S. Chen等，2025）。因此，如何在有限目标数据约束下实现鲁棒泛化，仍是当前EEG解码领域亟需解决的关键开放问题（Zhou等，2026）。

为解决上述挑战，迁移学习和域适应策略已被广泛探索（Z.S. Chen等，2025）。先前的方法（Fu等，2025；Wang等，2025；Zhang等，2020）遵循预训练-微调范式，首先在大规模源受试者数据上学习通用表示，然后通过新受试者数据上的梯度更新重新校准特征。尽管这些方法能有效缓解受试者间变异性，但其适应粒度仅限于受试者级——一旦微调完成，模型参数对该受试者即固定，难以感知试次间的动态非平稳性。此外，预训练依赖大量源域数据，而目标域上的梯度更新在极端少样本场景下仍面临过拟合风险。因此，试次级非平稳性在很大程度上仍未得到充分探索：主流范式仍以受试者级微调或跨受试者不变学习为中心，而无需目标数据梯度更新的试次特定自适应机制（区别于仍需在线目标优化的TTA方法（Li等，2024））则十分稀缺。

相比之下，序列补全框架为试次级适应提供了理论基础。X. Chen等（2025）证明，用互补信息增强输入可扩展表示熵并收紧预测误差的上界，且无需基于梯度的参数更新。然而，他们的互补序列在端到端训练后保持静态，并在所有试次间共享相同内容，因此缺乏试次特异性，无法瞬时调整以适应试次特征来解决非平稳性问题。

为弥补这一不足，我们提出了动态超补全网络（DHC-Net），这是一个用于鲁棒EEG解码的CNN–ConvLSTM–Transformer混合框架。该网络将EEG信息分层分解为三个互补层级：卷积层提取局部时空模式，ConvLSTM在保持拓扑结构的同时捕获长期时间动态，轻量级Transformer聚合全局跨通道依赖关系。在该架构的核心，DHC模块基于瞬时单试次统计量——均值、方差和谱质心——动态生成试次特定的互补序列，以实时重新校准特征分布。互信息驱动的去相关正则化对K个动态生成的补全标记之间的共线性进行惩罚，引导其趋于近似正交性以避免冗余扩展。因此，DHC-Net实现了对试次级非平稳性的即时、无梯度适应，即使在有限目标数据下也能在异构BCI范式之间实现鲁棒泛化。

本研究的主要贡献总结如下：
• 我们提出了DHC-Net，协同结合CNN、ConvLSTM和Transformer进行局部、长程和全局建模，为通过序列补全实现自适应动态特征增强开辟了新视角。
• 针对EEG特征定制设计了动态超补全器（DHC），利用单试次统计量（均值、方差和谱质心）生成试次特定的补全码，并通过互信息驱动的去相关正则化强制正交性以防止冗余。
• 我们在三个异构数据集（BCIC-IV-2a、SSVEP-OpenBMI和ICPA）上评估了DHC-Net，其在匹配或超越当前最佳方法精度的同时，提供了轻量级架构，并在所评估任务中展现出强泛化能力。

章节片段

相关工作

EEG信号的解码方法是最大化BCI系统效能的关键前提，其性能直接决定EEG信号特征提取的准确性和实时性。传统EEG解码方法主要依赖先验知识提取人工特征。例如，研究人员利用典型相关分析（CCA）及其变体进行SSVEP信号解码（Li等，2011；Yuan等，2022；Cherloo等，

方法

在本节中，我们将详细介绍为EEG信号表示设计的DHC-Net框架。该框架由四个核心组件组成：多层卷积模块、ConvLSTM模块、DHC–Transformer模块和分类模块。我们提出的框架整体架构如图1所示。详细的层规范和张量维度总结于表1。

评估数据集

在本研究中，为验证所提出的DHC-Net，我们使用了三个具有不同范式的EEG数据集。如表2所示，展示了数据集的基本信息。

整体分类性能比较

为评估所提出的DHC-Net模型的有效性，我们在三个异构数据集（BCIC-IV-2a（MI）、OpenBMI-SSVEP和ICPA）上进行了受试者内分层5折交叉验证。表3报告了所有竞争方法的平均准确率、F1分数和Cohen’s Kappa。*表示p<0.05，**表示p<0.01（与DHC-Net相比）。

在BCIC-IV-2a上，DHC-Net实现了86.78%的平均准确率和0.7876的Kappa值。与轻量级CNN模型相比，DHC-Net优于EEGNet（75.46%）

所提方法分析

DHC-Net的核心在于将动态序列补全的信息论思想嵌入CNN–ConvLSTM–Transformer混合架构中。动态超补全器驱动一个轻量级超网络，利用单试次统计量（μ, σ, ρ）生成试次特定的补全标记；这些标记仅作为键和值参与多头自注意力计算，为注意力计算提供外部非平稳上下文，而不改变查询向量的语义

结论

本研究介绍了DHC-Net，它将CNN–ConvLSTM的时空先验与Transformer的全局感受野相结合，并进一步嵌入了一个动态超补全器，该补全器从单试次统计量生成试次特定的补全标记。补全标记仅通过键/值分支注入，使用后被丢弃，使注意力条件化于当前试次，同时保持原始查询路径不变。在三个异构EEG任务上的实验

CRediT作者贡献声明

Ke Chen：写作——初稿、可视化、验证、软件、项目管理、方法学、调查、形式分析。Jiaxu Leng：写作——审阅与编辑、监督。Jianling Ma：形式分析、数据管理。Xinbo Gao：监督、资源、方法学、资金获取、概念化。

生成式AI和AI辅助技术声明

在准备本工作期间，作者使用了Kimi来改善手稿的可读性和语言表达。在使用该工具/服务后，作者根据需要审查并编辑了内容，并对所发表文章的内容承担全部责任。

利益冲突声明

作者声明，不存在已知的可能影响本文所报告工作的竞争财务利益或个人关系。

致谢

本工作部分受国家自然科学基金（批准号：62221005、62472060和U23A20318）资助，部分受重庆市科技创新重点研发计划（批准号：CSTB2023TIAD-STX0016）资助，部分受重庆市自然科学基金（批准号：CSTB2024NSCQ-QCXMX0060）资助。

Ke Chen | Jiaxu Leng | Jianling Ma | Xinbo Gao