基于域不变特征和数据增强的脑电图域泛化方法

《Cyborg and Bionic Systems》：A Domain Generalization Method for EEG Based on Domain-Invariant Feature and Data Augmentation

　　

脑机接口（BCI）技术通过直接解码大脑活动来控制外部设备，近年来在多个领域取得了重要进展和实际应用。然而，跨域应用中的域偏差问题仍然是BCI技术实际实施中的重大挑战，尤其在目标数据不可用的场景下尤为突出，这主要源于脑电图（EEG）信号数据固有的噪声敏感性和采集限制。在处理非平稳EEG信号时，现有域泛化方法面临局限性：对抗性训练可能损害模型稳定性，而全局特征对齐方法难以充分解耦类别相关与类别无关的特征，从而制约了泛化性能。因此，在本文中，研究人员提出了一种基于域不变特征学习与数据增强的混合方法。研究人员引入了一种“固定”结构增强方法，将域不变特征学习与数据增强策略相结合，解耦域不变特征与其他特征，优化跨域特征提取，并降低数据中噪声的影响。通过在多个公开数据集上进行广泛的实验验证，本文提出的模型优于现有最先进方法，为BCI中的域偏差问题提供了一种新颖且有效的解决方案。

论文解读文章

**研究背景与问题**
脑机接口（BCI）技术通过直接解码大脑活动控制外部设备，近年来在康复、神经假体等领域取得重要进展。然而，实际应用中跨域泛化问题严重制约其性能，尤其是当训练数据（源域）与测试数据（目标域）来自不同个体、设备或实验环境时，脑电图（EEG）信号的非平稳特性导致显著分布差异，传统方法假设独立同分布难以适用。现有域泛化（DG）方法包括数据增强、域不变特征学习和元学习，但在EEG领域面临挑战：对抗训练易因非平稳信号破坏模型稳定性；全局特征对齐（如最大均值差异MMD）难以充分解耦细粒度类别特征；元学习计算复杂度高。此外，通用DG方法在计算机视觉中表现良好，但缺乏对EEG时空特性的专门建模，导致直接迁移效果不佳。因此，研究人员提出一种基于域不变特征学习与数据增强的混合方法，旨在解决跨域应用中目标数据不可用时的域偏差问题，提升模型在未知主体上的泛化能力。

**主要技术方法**
研究人员构建了端到端的域泛化模型DGIFE（Domain Generalization based on Invariant Feature Extraction），包含两大核心模块：特征增强和域不变特征解耦。特征增强模块采用多粒度时间编码器（通过细粒度补丁策略模拟不同频带特征）和门控通道注意力编码器（动态调整通道权重以聚焦运动相关脑区）。域不变特征解耦模块使用固定结构解耦器，将特征显式分为类别相关特征（z_fre）和类别无关特征（z_fir），并通过多损失协同优化：协方差对齐损失（L_align）减小域间二阶统计量差异；探索损失（L_exp）最大化两类特征距离，避免冗余；分类损失（L_cls）结合类间原型网络（IPN）增强判别性。IPN通过余弦相似度度量优化类原型，控制温度系数t平衡特征锐化与梯度稳定性。模型在三个公开数据集（Giga数据集、OpenBMI数据集、BCIC-IV-2a数据集）上使用留一法（LOSO）进行跨主体评估，预处理包括4–40 Hz带通滤波、250 Hz重采样及伪迹剔除。

**研究结果**
1. **与基线模型对比**：DGIFE在三个数据集上均取得最高平均分类准确率（ACC），分别为77.36%、84.08%、64.74%，标准差（SD）较低（10.40、8.96、9.13），优于EEGNet、Shallow ConvNet、Deep ConvNet、ATCNet、SST-DPN、MSVTNet、SCLDGN等模型，以及通用DG方法Mixup、DIFEX、URM。这表明显式特征解耦和针对性设计有效提升了跨主体泛化能力。
2. **消融实验**：移除细粒度时间编码模块（w/o patch）后，ACC下降且SD增大（如数据集I中ACC降至73.69%，SD升至12.88）；移除通道注意力模块（w/o channel）同样导致性能下降（ACC 73.85%，SD 12.53）。证实多粒度时序编码和门控通道注意力对提取稳健特征至关重要。
3. **损失函数分析**：分别替换或移除四种损失（IPN替代为CE、移除L_align、移除L_exp、移除特征距离约束），均导致ACC降低和稳定性下降。例如，无IPN时ACC降至73.32%（SD 12.79），无L_align时ACC降至75.71%（SD 11.13）。验证多损失协同对特征解耦与泛化的关键作用。
4. **参数敏感性**：超参数λ₁（提取不变特征权重）、λ₂（对齐损失权重）、λ₃（解耦特征距离权重）在0.01–1范围内调优，λ₂=1时性能最优；温度系数t=5时取得最佳ACC（77.36%），过高或过低均导致性能下降，表明温度调度在原型学习中的重要性。
5. **噪声鲁棒性**：在测试数据中引入不同信噪比（SNR）的加性高斯白噪声（0 dB、5 dB、10 dB、20 dB），DGIFE在0 dB极端噪声下仍保持69.20% ACC（下降11%），优于EEGNet、Mixup、DBConformer、URM，证明特征净化解耦机制增强抗噪能力。
6. **时空特征可视化**：时间编码权重热图显示，不同主体的高权重通道在任务启动后显著增加，自动对齐任务相关时段；通道注意力脑地形图表明，右手想象时注意力集中在左脑感觉运动皮层（C3电极），左手想象时集中在右脑（C4电极），符合对侧控制生理机制。t-SNE特征可视化显示DGIFE的类别分离度更高，证实学习到更丰富的判别特征。

**总结与讨论**
研究人员提出DGIFE模型，通过特征增强（多粒度时间编码+门控通道注意力）和显式特征解耦（固定结构解耦器+多损失约束）有效解决了跨主体EEG信号的域偏差问题。实验表明，该模型在多个数据集上优于现有方法，具备良好的泛化能力和稳定性。研究结论部分（翻译原文）：“在这项研究中，我们提出了DGIFE模型，旨在解决跨主体任务中存在的域偏差问题。该模型由两个主要部分组成：特征增强和特征解耦。在特征增强阶段，我们使用了多粒度特征提取模块和通道自注意力模块，两者均有效提升了模型对多样性EEG数据的特征提取能力，能够捕获不同尺度的关键特征，从而增强模型的表达力和泛化能力。在特征解耦部分，我们设计了一个通用解耦模型，通过引入多个损失函数约束特征提取过程，确保提取的特征更好地反映跨域共性，同时避免过拟合现象。通过这种设计，我们不仅能在跨任务和跨数据集上保持高解码准确率，还能提升模型的跨域适应性，尤其在数据分布存在较大偏移时。我们的实验结果表明，DGIFE模型在多个数据集上取得了良好性能，尤其在处理不同主体和设备变异的数据时，展现了良好的泛化能力和稳定性。”