基于三阶段半监督领域对抗学习的个性化自适应Gabor滤波技术，用于跨受试者的SSVEP解码

《Sensors》：Personalized Adaptive Gabor Filtering with Three-Stage Semi-Supervised Domain-Adversarial Learning for Cross-Subject SSVEP Decoding

　　

摘要

提高稳态视觉诱发电位脑机接口（SSVEP-BCI）系统的解码准确性和信息传输率（ITR），同时增强跨受试者泛化能力并降低校准成本，对于实际应用至关重要。本研究提出了一个端到端框架，该框架结合了自适应滤波和半监督领域适应机制。该框架采用Gabor自适应滤波器组（G-AFB）来优化时频表示，并提取与个体神经反应相匹配的特征。此外，还引入了一个三阶段半监督对抗神经网络（TriS-DANN），该网络结合了无监督预对齐和有监督微调，以对齐跨受试者的特征分布并实现轻量级校准。在1.0秒的公开基准数据集上，G-AFB-tCNN的准确率为89.13%，比传统的滤波器组提高了4.63个百分点；在0.4秒的内部数据集上，G-AFB-tCNN的准确率为91.85%，比传统的固定滤波器组提高了3.22个百分点。在迁移学习中，TriS-DANN仅使用从刺激期间提取的0.4秒片段以及23.07%的目标领域训练/校准试验，就达到了86.60%的准确率，显示出比传统微调更高的效率和稳定性。这些结果支持所提出的框架是实现可靠、低校准成本的SSVEP-BCI系统的可行途径。