低延迟的测试时适应方法用于跨受试者的SSVEP解码，该方法通过在线欧几里得对齐和频率正则化熵最小化来实现 段胜斌（Sheng-Bin Duan）和 郝建龙（Jianlong Hao）

《Applied Sciences》：Low-Latency Test-Time Adaptation for Inter-Subject SSVEP Decoding via Online Euclidean Alignment and Frequency-Regularized Entropy Minimization Sheng-Bin Duan and Jianlong Hao

　　

摘要

基于脑电图（EEG）的脑机接口（BCI）系统常常受到显著的个体间差异的影响。这些差异会导致源域和目标域之间的分布发生变化，从而降低解码器对未见过受试者的泛化能力。在基于在线稳态视觉诱发电位（SSVEP）的BCI系统中，解码器不仅需要应对个体间分布的变化，还需要快速适应。然而，大多数现有方法在适应之前需要积累多次试验数据，这增加了数据采集和更新的延迟，限制了其在在线环境中的实用性。为了解决这些问题，本研究关注了一个实际应用中非常重要但尚未得到充分探索的领域：即无标签的个体间SSVEP解码，并采用单次试验的在线适应机制，这种机制要求立即适应，而多次试验的积累并不现实。针对这一情况，本研究提出了一种低延迟的测试时适应算法，该算法结合了逐次试验的在线欧几里得对齐、熵最小化和伪标签频率正则化技术。这种集成方式能够在在线约束条件下实现单次试验的适应，无需目标标签或试验缓冲，从而在减少适应延迟的同时缓解个体间分布的变化。通过对两个公开数据集使用四种核心模型进行的实验表明，所提出的方法平均准确率达到75.70%，比非适应性基线方法提高了3.88%。这些结果表明，所提出的方法提高了个体间SSVEP解码的准确性，并展示了其在在线BCI应用中的潜力。