基于脑电图的脑机接口的迁移学习：数据对齐方法的比较评估与优化

《Frontiers in Systems Neuroscience》：Transfer learning for EEG-based BCIs: a comparative evaluation and optimization of data alignment methods

　　

背景：本文解决了开发实用型基于脑电图的脑机接口（EEG-based BCIs）中的一个关键挑战：通过减轻脑信号中的个体差异来增强跨被试泛化能力。如何有效利用现有被试的数据，以最少的个体特定校准提升新用户性能？方法：研究人员系统地比较并优化了三种主流数据对齐技术——黎曼Procrustes分析（RPA）、欧几里得对齐（EA）和相关对齐（CORAL），这些技术旨在将多个源被试和单个目标被试的EEG数据变换到一个共同的表示空间，从而减少变异性。评估：研究人员采用留一被试交叉验证（LOSO-CV）框架，基于EEG注意力解码数据，实证评估每种对齐方法相对于无对齐基线的有效性。关键参数，特别是EA的正则化参数α，被优化以最大化跨被试迁移性能。结果：研究表明，对齐方法相比基线提高了分类准确率。值得注意的是，在参数扫描中，当α=100（使最大比例被试获得最佳准确率的缩放值）时评估的EA产生了最大的平均改进，相比无对齐基线提高了3.44%（配对t₍₁₇₎≈2.48，p≈0.024；Cohen's d_z≈0.59；平均改进的95%置信区间[0.52%, 6.36%]）。由于该α值是从同一参数扫描（该扫描产生了每个被试的准确率）中识别出的，因此该估计值连同每个被试的“最佳参数”结果应被解释为个体特定调优的oracle敏感性分析上限，而非无信息泄露的LOSO估计。虽然优化后的EA显示出最佳平均性能，但分析也表明最理想的对齐策略存在被试特异性差异。结论：这一比较框架量化了不同对齐方法的优势，并强调了参数优化（特别是对于EA）的宝贵贡献。意义：这些结果表明，优化的对齐技术（尤其是EA）具有显著增强基于EEG的BCI中跨被试迁移学习的潜力。这对方法论选择与调优具有实际意义，并为构建更鲁棒、更可泛化、且需要更少个体特定校准的BCI系统铺平了道路，适用于实际应用。

**研究背景与问题**
基于脑电图的脑机接口（EEG-based BCIs）在人脑与外部机器之间提供直接接口，在神经康复、辅助技术及注意力追踪等认知监测任务中具有广阔前景。然而，跨被试脑信号的高变异性是其实用化的重大障碍——不同个体的脑电图（EEG）在解剖结构、神经适应性和认知风格上存在差异，即使执行相同任务，信号也可能截然不同。传统方法为每个用户构建个性化模型，但需要数小时的校准，不适用于开箱即用的场景。为减轻校准负担，迁移学习（TL）应运而生，旨在利用现有“源”被试知识提升新“目标”被试的学习性能。其中，数据对齐是跨被试TL的关键策略，通过数学变换将不同被试的EEG数据映射到共享特征空间，以减小分布差异。现有对齐方法包括基于黎曼流形的黎曼Procrustes分析（RPA）、直接在欧几里得空间操作的欧几里得对齐（EA）以及匹配二阶统计量的相关对齐（CORAL）。尽管个别方法已展示潜力，但缺乏对不同对齐理念（如黎曼几何、直接变换、统计特征对齐）的系统比较，特别是针对注意力解码任务。此外，EA和CORAL等方法的超参数（正则化项）设置对跨被试迁移性能的影响需要专门研究。本研究旨在通过控制变量比较和参数敏感性分析，评估三种轻量级对齐方法在隐蔽空间注意力解码中的效果。论文发表在《Frontiers in Systems Neuroscience》。

**主要关键技术方法**
研究人员使用Reichert等（2020）在德国收集的数据集，包含18名健康参与者的EEG数据，记录于隐蔽视觉注意力实验中，选取14个顶枕区通道（O9, O10, CP1, CP2, Pz, P3, P4, P7, P8, PO3, PO4, PO7, PO8, Oz）。预处理包括重参考至左右乳突平均、1.0–12.5 Hz带通滤波、重采样至50 Hz，并提取刺激后750 ms的epoch（38个时间点），每10个epoch拼接为一个试次（trial）。对比三种对齐方法：RPA（通过协方差矩阵的漂白和对齐映射至公共流形）、EA（减去被试特定均值并加上全局均值）、CORAL（正则化目标协方差矩阵，通过漂白和重着色对齐协方差结构）。采用典型相关分析（CCA）作为解码方法，提取任务相关特征；使用留一被试交叉验证（LOSO-CV）评估泛化性能；对EA的缩放参数α和CORAL的正则化参数λ在[10^-4, 10⁴]范围内进行优化。

**研究结果**
**4.1 各对齐方法的解码准确率（被试水平）**
通过框图展示18名被试在无对齐（基线）、RPA、EA、CORAL及被试依赖解码下的准确率。被试依赖解码普遍优于所有迁移方法，符合预期。CORAL在18名被试中9次成为最佳对齐方法，EA常为次佳。部分被试（如4、14、17）迁移方法与被试依赖性能差距小于10%，而其他被试（如3、5、12）差距超过25%，表明个体差异显著影响对齐效果。无单一对齐方法对所有被试最优。

**4.2 RPA对齐方法的性能优化**
对正则化RPA（rRPA）的α值扫描发现最佳性能出现在α接近1时，此时协方差矩阵几乎完全替换为单位矩阵乘以平均方差，表明RPA未提供有效对齐，协方差信息丢失，转换矩阵退化为标量倍单位矩阵。

**4.3 CORAL和EA对齐方法的性能优化**
比较CORAL和EA优化后的解码准确率：CORAL的最佳正则化参数λ通常较小（0.0001或0.01），表明最小正则化提供了更好对齐；EA的最佳缩放参数α通常较高（如100），表明将数据紧密对齐至全局均值可增强性能。两种方法的优化参数存在被试特异性，无通用值。

**4.4 优化结果**
参数敏感性扫描显示：CORAL的λ在低值（≤0.1）时多数被试达到峰值；EA的α在高值（100）时多数被试达到最佳，但超过1000后准确率急剧下降。结果表明两种方法对参数敏感，尤其在小值区间。

**4.5 最佳方法为何因被试而异**
三种对齐算子处理不同类型的源-目标失配：EA主要校正一阶（均值）差异，CORAL和RPA针对二阶（协方差）结构，RPA在试次水平操作且更敏感。被试依赖解码准确率低的被试（如12号）在所有迁移方法下表现差，说明目标信号质量是限制因素。EA的最佳α呈双峰分布（极小或极大），反映被试均值偏离群体均值的程度差异。CORAL在小λ下最优，表明经验目标协方差包含有用结构，过度正则化破坏之。因此，无单一方法普适。

**4.6 局限性**
评估仅基于单一隐蔽空间注意力数据集（18名被试），泛化性有限；未与深度迁移、自监督或基础模型方法对比；参数扫描存在信息泄露（使用目标被试标签选择参数），需未来采用嵌套LOSO；频带1.0–12.5 Hz排除更高频活动，可能丢失其他范式下的信息。

**讨论与结论翻译**
在这项工作中，研究人员证明了对齐方法可以通过优化的参数选择提升基于EEG的BCI性能。EA优化（α=100）方法相比基线（无对齐）平均提高了3.4%（标准差=5.88），差异具有统计学显著性（p<0.05，配对t检验）。这些结果表明优化的对齐方法在改善基于EEG的BCI系统跨被试迁移学习方面具有潜力。研究指示，任务特定校准数据能产生最优结果，但在实际应用中需权衡性能需求与现实约束。结果进一步表明，CORAL在低λ值（λ≤0.1）下最佳，而EA在固定参数α=100时取得最佳性能，但被试特定优化有时偏好其他值。所报告的3.4%改进基于从同一被试扫描中选择的参数（α=100），因此代表有利调优下的上界，而非可部署性能。无信息泄露的估计需要嵌套LOSO评估，这被列为近期工作。这些发现的实际意义超越实验室，为更灵活、易用的BCI系统指明了方向。随着技术持续进步，将复杂校准技术与鲁棒对齐方法相结合，对于弥合理论能力与实际应用之间的差距至关重要，尤其是在需要快速部署和跨不同被试与任务灵活性的场景中。