脑机接口跨会话迁移中的置信门控源选择策略

《Frontiers in Human Neuroscience》：A confidence-gated source selection strategy for cross-session transfer in brain–computer interfaces

　　

摘要

跨会话变异性仍然是基于运动想象（motor imagery, MI）的脑-机接口（brain-computer interface, BCI）可靠运行的主要障碍，尤其是在系统跨多天重复使用时。当同一受试者的多个先前会话可用时，在进行领域迁移之前会出现两个关键问题：选择哪些源会话以及如何有效利用它们。研究人员通过开发置信门控的选择性迁移管道来解决这些问题：一种是最小距离多源管道（Minimum-Distance Multi-Source Pipeline, MMP），仅使用接近目标的源会话；另一种是桥接领域管道（Bridge Domain Pipeline, BDP），利用近端和远端源以提高鲁棒性。研究人员在匹配的特征提取、分类和领域自适应算法的实验配置下，在两个公开的运动想象脑电（electroencephalography, EEG）数据集上，将这些新型管道与统一池化（merge-all-pool, MAP）和距离加权池化（distance-weighted-pooling, DWP）基线方法进行了评估。基准测试结果支持端点特定解释，而非单一准确率排序。具体而言，MAP取得了最高的最大配置准确率，DWP在配置间展现了最高的平均准确率，而在主要数据集上，MAP、DWP和BDP作为数据驱动配置选择的顶级管道，其表现无统计学显著差异。相比之下，MMPmta在固定配置下表现相似，但在数据驱动配置选择期间效果较差。总体而言，性能最佳的所提管道（BDP）在准确率方面跻身最高性能方法之列，同时相比完全池化，所需执行时间和源会话数量大幅减少——这表明BDP将置信区间（confidence interval, CI）门控保留思想转化为一个更可靠且计算效率更高的自动配置选择框架。这些结果表明，在跨会话MI解码中，选择性迁移的主要挑战不仅限于会话选择本身，还涉及保留会话在下游如何整合，这对纵向康复和辅助性BCI应用具有重要意义。

基于置信门控源选择策略的脑机接口跨会话迁移研究解读

一、研究背景与问题

基于运动想象（motor imagery, MI）的脑机接口（brain-computer interface, BCI）通过解码非侵入性脑电图（electroencephalography, EEG）信号中的想象运动，实现无需外部肌肉活动的神经通信与设备控制。然而，在单一记录会话上校准的解码模型应用于同一受试者的后续会话时，常出现严重的性能退化。电极阻抗变化、物理导联位置偏移、疲劳、注意力波动以及其他依赖会话的生理或技术因素，导致EEG信号分布呈现非平稳性，严重损害跨会话解码准确率。这种会话间不稳定性已成为MI-BCI在受控实验室环境之外可靠运行的主要未解决挑战。

现有方法多通过领域自适应（domain adaptation, DA）来解决跨会话变异性，包括子空间对齐、迁移成分分析、相关对齐（CORAL）以及黎曼迁移框架等。然而，这些研究主要关注如何适配模型，而对如何优化结构和选择多个可用源会话这一前置问题关注较少。在受试者内迁移中，可用的非目标会话可以被统一池化、按领域距离加权，或裁剪为目标依赖的子集。但会话选择引入了次级挑战：如何利用保留会话选择最优模型配置？以往多源BCI研究表明，先前记录可提供互补而非可互换的信息。最相关的研究评估了会话间MI迁移中的相关会话选择，但未在共同的特征-分类器-自适应超参数网格上，将置信区间（confidence interval, CI）门控保留与配置选择解耦。此外，负迁移研究表明，不准确的相关性估计或过度裁剪可能消除有益的训练信息。

源选择与配置选择可能影响同一准确率结果。表面上的性能提升可能来自有利的特征、分类器或自适应方法，而非先前会话的组织方式。最佳配置摘要也可能因假设理想调参而夸大差异。因此，研究人员在相同的特征-分类器-自适应网格上评估每条管道，分别报告最佳配置、配置平均、选定配置和运行时间摘要。该研究有三项贡献：定义了受试者内跨会话MI-BCI迁移的置信门控源选择规则；定义了MMP和BDP两种利用该规则的管道；在两项公开MI-EEG数据集上，将这些管道与全池化和距离加权参考方法进行比较。

二、关键技术方法

研究采用受试者内留一会话交叉验证方案。源选择规则基于最大均值差异（maximum mean discrepancy, MMD）估计各源会话到目标会话的分布距离，并通过B=200次非参数自助重采样构建95%置信区间（confidence interval, CI）。当源会话的距离置信区间与最近源会话的置信区间重叠时，该会话被保留至近端集合N(T)。研究评估五种管道：MAP统一池化全部源会话；DWP按MMD距离倒数加权池化；MMPmta和MMPmoe基于近端/最近代理任务进行配置选择，分别采用合并后自适应和专家混合策略；BDP将近端集合作为桥接集，利用远端集合构建桥到远的代理评分任务。特征提取包括公共空间模式（common spatial patterns, CSP）、原始对数方差（logvar）和切空间（tangent space, TS）特征；分类器采用线性判别分析（linear discriminant analysis, LDA）和径向基函数支持向量机（RBF-SVM）；DA选项包括无自适应、子空间对齐（subspace alignment, SA）、平行传输/Procrustes对齐（PT）和CORAL。数据集方面，Stieger2021作为主要数据集，包含62名受试者，每名受试者7至11个记录会话，62个EEG通道，1 kHz采样率；BNCI2014-004作为次要低通道复制数据集，包含9名受试者，5个独立日记录会话，3个EEG通道（C3、Cz、C4），250 Hz采样率。总配置网格包含3种特征×2种分类器×4种DA选项，共24种候选配置。

三、研究结果

3.1 最佳配置准确率与最佳均值差距

最佳配置准确率Accmax表示固定网格上的受试者水平最大值。在Stieger2021上，MAP为71.73%，DWP为71.48%，MMPmta和BDP均为71.38%，MMPmoe为69.38%。对应最佳均值差距分别为MAP 11.61%、DWP 10.36%、MMPmta/BDP 11.78%、MMPmoe 12.08%。由于MMPmta和BDP共享相同的最终评估矩阵，其固定配置摘要相同，但此等式并不确立与全池化的性能等效性。近端源值在Stieger2021上比MAP低0.35%。在BNCI2014-004上，MAP取得最高Accmax（75.12%），MMPmta/BDP共享的近端源值为74.40%，低0.72%。全局固定配置排名显示，Stieger2021上TS/LDA配置对MAP、MMPmta和BDP排名第一，而BNCI2014-004上CSP配置占据所有首位。

3.2 配置间平均准确率

在Stieger2021上，DWP取得最高配置平均准确率Accmean（61.13%），其次为MAP（60.12%）、MMPmta和BDP（59.60%）、MMPmoe（57.30%）。MAP与BDP差异为0.52%。配对检验显示，DWP显著优于MAP、MMPmta、BDP和MMPmoe（均p<0.001）；MAP显著优于MMPmta、BDP和MMPmoe（均p<0.001）。在BNCI2014-004上，MAP与DWP表现相当（68.80%与68.72%），MAP与DWP无显著差异（p=0.652），但超过MMPmta（p=0.012）、MMPmoe（p=0.008）和BDP（p=0.012）。特征边际分析显示，CSP在所有管道和两个数据集上均取得最高特征边际均值，这与表3中Stieger2021上TS/LDA为最佳单独配置的发现形成对比。

3.3 数据驱动配置选择性能

选定配置准确率Accauto评估管道自身代理评分选择配置后的解码准确率。在Stieger2021上，BDP、DWP和MAP取得最高的三个平均Accauto值（64.56%-64.62%），MMPmoe和MMPmta分别为62.49%和62.45%。MMPmta与BDP直接比较显示，MMPmta比BDP低2.17%（p<0.001）。在BNCI2014-004上，MMPmta最高（74.17%），其次为BDP（73.48%）、DWP（71.27%）、MAP（71.20%）和MMPmoe（69.64%）。Stieger2021上的管道排序未在BNCI2014-004上复现。

3.4 总体受试者水平统计比较

Friedman检验显示，Stieger2021上三项摘要均显著：Accmax χ2(4)=58.55，Accmean χ2(4)=177.42，Accauto χ2(4)=86.41（均p<0.001）。Kendall协调系数W分别为0.236、0.715和0.348。BNCI2014-004上Accmean（χ2(4)=23.09，p<0.001）和Accauto（χ2(4)=24.02，p<0.001）显著，Accmax未达0.05阈值（p=0.051）。管道间最佳可达配置差异小于平均性能或数据驱动选定配置的差异。

3.5 源选择与敏感性分析

默认95%CI下，Stieger2021上平均保留会话数为6.67个，平均利用率74.29%；BNCI2014-004上为2.34个会话和58.52%。CI覆盖率变化对保留源数量的影响远大于对固定配置准确率的影响。核带宽的影响因数据集而异，Stieger2021上自适应带宽仅保留28.39%-42.32%的源，且Accmean降低。

3.6 运行时间与效率

在Stieger2021上，MAP、DWP和BDP的平均Accauto值相当（64.56%-64.62%），但BDP仅需MAP执行时间的37%，同时保留74.29%的源会话。DWP虽取得类似Accauto但计算开销高于MAP。MMPmoe执行速度略快于BDP但Accauto较低；MMPmta既计算更慢又准确率更低。

四、讨论与结论

研究发现，没有任何管道在所有性能摘要上均排名第一。MAP在最佳配置准确率上领先，DWP在配置平均准确率上最高。BDP的主要实际优势在于资源效率：在Stieger2021上匹配MAP/DWP的Accauto性能，同时使用更少的源会话和显著减少的计算时间。选择本身并非充分条件——同一受试者的两个会话可能呈现全局分布偏移，但仍包含对二分类有用的判别信息。会话间距离仅能捕捉领域迁移动态的一部分。在无目标标签的情况下，无监督模型选择仍然困难。MMPmta与BDP共享相同的最终模型拟合，其Accauto差异完全源于各自代理评分函数选择的不同配置。领域自适应的加入未改变管道间的宏观排序。CI覆盖率有效控制保留源数量，核带宽对源集组成影响更大。

研究局限性包括：仅评估两个MI-BCI数据集，结论不可自动推广至P300或SSVEP等其他范式；任务为二分类MI，多分类解码可能改变会话漂移的几何结构和选择性迁移的相对效用；Accmax本质上乐观，Accauto仍是基准模拟而非前瞻性实时部署试验；所有分析离线进行且使用固定DA超参数；留一会话设计比较每个保留目标会话与所有剩余会话，而非严格时间顺序的过去会话档案。未来工作应在严格时间顺序和在线环境中评估这些管道，配置选择可纳入未标记目标预测信息，并可将CI门控源选择直接应用于预训练的EEG表征。

综上所述，该研究系统性地比较了五种跨会话迁移管道，证明置信门控源选择结合桥接领域代理任务（BDP）能够在保持解码准确率的同时显著降低计算成本，为纵向康复和辅助性BCI应用提供了计算效率更优的自动化配置选择框架。