《Frontiers in Human Neuroscience》：A unified fixed-wavelet transformer decodes eight EEG classes across motor imagery, P300, and SSVEP paradigms
编辑推荐：
引言：运动想象（MI）可支持自主发起的控制，而基于P300或稳态视觉诱发电位（SSVEP）的脑机接口（BCI）依赖持续视觉刺激。重复视觉刺激视觉疲劳；然而，当刺激暂停时，相应的P300和SSVEP响应不再能被诱发，单独这些范式无法支持自主发起的重启视觉刺激命令
引言：运动想象（MI）可支持自主发起的控制，而基于P300或稳态视觉诱发电位（SSVEP）的脑机接口（BCI）依赖持续视觉刺激。重复视觉刺激视觉疲劳；然而，当刺激暂停时，相应的P300和SSVEP响应不再能被诱发，单独这些范式无法支持自主发起的重启视觉刺激命令。相比之下，自主发起的MI可提供用于开启或关闭视觉刺激的自主门控信号。因此，开发能够学习这些异质脑电图（EEG）特征并解码多种用户意图的单一架构，是迈向自主控制混合BCI的重要一步。
方法：为此，研究人员通过扩展先前提出的Analformer开发了一个统一模型；Analformer是一种基于Transformer的架构，旨在获得高分类性能，同时通过AnalNet分析具有神经生理意义的EEG表征。研究人员评估了该模型能否将OpenBMI数据集中来自MI、P300和SSVEP范式的EEG试次分类为八个互斥类别。Analformer使用固定Morlet小波核提取频率特异性EEG特征，六个Transformer模块对31个池化时间令牌之间的依赖关系建模，并采用两阶段训练流程捕获群体水平和受试者特异性特征。
结果：在54名参与者中，模型经受试者特异性微调后的平均准确率为71.00%，而在相同评估协议下EEG-Conformer为54.53%，EEGNet为52.30%，ShallowConvNet为45.35%。消融分析显示，将固定小波替换为可学习卷积使平均准确率降至63.15%，而省略两阶段训练流程使其降至47.38%。AnalNet作为Analformer的内置分析模块，识别出类别判别性模式，包括MI期间的感觉运动mu和beta频带活动以及SSVEP期间的刺激锁时枕区响应。
讨论：总之，这些发现表明，单一基于Transformer的架构能够区分异质EEG类别，并为混合BCI中的统一解码提供基础，该混合BCI将自主发起的MI门控与基于P300和SSVEP的命令选择相结合。
研究背景与问题：脑机接口（BCI，将神经活动转化为外部设备命令的系统）可绕过常规肌肉输出，为瘫痪者恢复交流或运动控制。脑电图（EEG，electroencephalography）兼具毫秒级时间分辨率和较低采集成本，是非侵入BCI的常用信号。三类成熟范式以不同神经特征编码意图：运动想象（MI，motor imagery）调制感觉运动节律（SMR，sensorimotor rhythms）；事件相关电位（ERP，event-related potential）中的P300表现为刺激锁时幅度偏转；稳态视觉诱发电位（SSVEP，steady-state visual evoked potential）对周期性视觉刺激产生频率锁时响应。P300/SSVEP可支持较多可选符号或方向，但依赖闪烁或持续视觉刺激，重复刺激较MI更易致视疲劳；暂停刺激后相应P300/SSVEP响应不再被诱发，单独这些范式不能提供自主发起的重启命令。MI无需持续外刺激且可自定步，但可靠可分离命令通常较少。因此，用SMR意图激活或关闭命令丰富的P300/SSVEP界面，可减少不必要视觉刺激并保留按需访问。多数已发表EEG解码模型仍任务或范式特异；核心挑战是单一解码器能否区分SMR、ERP和SSVEP在时间、频谱和空间上异质的类别，这是协调自主模式控制与命令丰富刺激驱动交互的重要一步。
研究开展与意义：为此，研究人员将先前提出的Analformer（一种基于Transformer（基于自注意力机制的神经网络架构）的EEG解码架构）扩展为统一框架，在单一架构内联合建模4类SSVEP、2类MI和2类ERP，共享八类输出空间；AnalNet（Analformer内置分析模块）检查三类范式学到的类别判别性模式。训练先在全部54名参与者的Session 1池化预训练，再以每名参与者Session 1微调，最终在该参与者Session 2一次评估。该设计直接检验一个无限制输出空间能否在个性化跨会话设置区分8个互斥类。研究得出：模型获得71.00%平均准确率，消融显示固定小波和池化预训练均重要，AnalNet定位到MI感觉运动mu/beta与SSVEP枕区刺激相关响应；其意义是为将SMR模式控制与P300/SSVEP选择协调起来的混合BCI提供共享分类器核心。
关键技术方法：采用公开OpenBMI数据集（54名健康成人，62通道，1,000 Hz采样，两次session；含4类SSVEP、左右手MI、ERP oddball目标/非目标）。以8维one-hot编码4类SSVEP、2类MI和2类ERP，单交叉熵联合训练，推理对8个logits取argmax且无范式掩码。Analformer以固定1–40 Hz Morlet核（时频小波基）为前端，经40×1可学习频率压缩、平均池化形成31个时间令牌（每令牌62特征），6个Transformer编码块整合后接8类分类头；AnalNet保留首层固定小波激活做时频与F值时频（FTF）分析。训练先以54人Session 1池化预训练，再以受试者Session 1微调，Session 2仅最终评估；对比EEG-Conformer、EEGNet、ShallowConvNet，并做固定小波替换和去池化预训练消融。
研究结果：
4.1 统一Analformer在三种EEG范式上的性能评估（Performance evaluation of unified Analformer across three EEG paradigms）
通过54名参与者的个性化跨会话评估，统一Analformer的平均准确率为71.00%，高于EEG-Conformer的54.53%、EEGNet的52.30%和ShallowConvNet的45.35%，较最强基线均值高16.47个百分点；范式内以SSVEP最高（80.49%），MI为66.93%，ERP为65.59%。混淆矩阵显示SSVEP四类对角召回为78.2–84.1%，左/右手MI为65.3%/68.5%，ERP目标/非目标为66.8%/64.4%；最大的非对角项为范式内混淆（MI两类24.4%/21.6%，ERP两类16.4%/16.3%），跨范式非对角项较小。结论是无限制八类分类器能区分跨范式类别，但范式内判别仍较难。
4.2 AnalNet激活恢复范式相关生理结构（AnalNet activations recover paradigm-relevant physiological structure）
研究人员用Session 1数据，将首层固定小波卷积与无参数AnalNet通路汇总为F值时频图；两组件无可训练参数，故这些图不依赖适配epoch，反映输入EEG的类别判别性生理结构，为组水平对应检查而非样本级因果归因。MI的最强类别判别F值位于C3/C4感觉运动区mu（8–13 Hz）与beta（15–30 Hz）；SSVEP位于O1/O2/Oz枕区刺激相关频率。ERP因以瞬态低频诱发电位变化为主、更适合潜伏期与幅值时域分析，未纳入小波F值可视化。结论是共同固定小波前端暴露了自主发起与刺激驱动范式的互补结构。
4.3 组件消融识别固定小波与池化预训练的贡献（Component ablations identify contributions from fixed wavelets and pooled pre-training）
通过逐项改变一个组件，将固定小波替换为同核大小可学习卷积后，平均准确率由71.00%降至63.15%，三类范式均下降；去除池化预训练后降至47.38%，其中ERP由65.59%降至33.32%。结论是在该评估配置中，频率选择性初始化与群体水平表征学习均有实质贡献，而池化预训练贡献更大。
讨论总结：讨论部分指出，一个共享决策空间可分离八类；主要贡献是统一标签公式与联合训练协议，而非新的骨干网络（backbone）。统一目标让每个试次在全部8个logits中竞争，从而暴露范式内和跨范式错误，而不是用范式特定掩码消除。MI可在无持续视觉矩阵时产生，P300/SSVEP可映射较多视觉目标；未来异步混合界面中，SMR状态可激活SSVEP方向面板或（作为提出的扩展）P300拼写器，视觉范式提供更大命令集，另一SMR状态暂停刺激。当前实验仅建立离线可行性，闭环实现需在核心外加空闲/无控制检测器，并将假激活率（false activation rate）、转换延迟（transition latency）、命令选择准确率（command-selection accuracy）、视觉刺激暴露（visual-stimulation exposure）和工作负荷（workload）作为按需混合控制的直接指标。AnalNet提供表征级生理一致性证据，不声称样本级因果；特征扰动可扩展到决策级归因而不改变结论。消融将性能联系到频率结构和池化预训练；固定Morlet小波在框架内提供有用且可解释的表征，不表示固定核普遍优于可学习小波。固定视界协议中，测试数据不用于检查点（checkpoint）选择、早停或超参调优，所有模型和消融采用相同预处理和最终模型评估。实验范围为OpenBMI个性化跨会话、提示节拍（cue-paced）互斥试次，隔离共享八类决策层；异步状态检测与时序控制逻辑可作为专用系统模块添加。
研究结论翻译：研究人员将Analformer扩展为一个无限制解码器，用于四类SSVEP、两类MI和两类ERP。固定Morlet核保留频率分辨的EEG结构，学习到的电极–频率混合产生31个时间令牌，六个Transformer块整合这些令牌，随后一个八类头将每个试次在三种范式间分配。所有八类在一个无限制输出空间中竞争，在等类别先验下名义机会水平为12.5%。Analformer达到71.00%平均准确率，在相同评估条件下超过最强基线16.47个百分点。当可学习卷积替代固定小波时准确率降至63.15%，无池化预训练时降至47.38%。AnalNet进一步将MI判别定位到感觉运动mu/beta区域，将SSVEP判别定位到刺激相关枕区活动，提供生理证据表明共享目标保留了范式特异性结构。总之，无限制分类、协议匹配消融和生理对应结果支持受试者适配的统一解码作为混合BCI共享分类器核心的可行性。在该核心周围加入空闲状态检测和时序控制逻辑，可支持按需P300/SSVEP选择，同时将视觉刺激限制在预期使用期间。
