PDC-Net：一种用于跨被试视觉注意状态解码的、带门控Mamba交互的前额叶双通道网络

《Brain Sciences》：PDC-Net: A Prefrontal Dual-Channel Network with Gated Mamba Interaction for Cross-Subject Visual Attentional State Decoding

　　

背景与目标：脑电图(EEG)具有高时间分辨率、非侵入性和低成本优势，适用于研究视觉持续注意(VSA)与视觉内指向认知(VIDC)相关的任务信号模式，但在少通道设置下跨被试泛化仍具挑战。本研究在离线GPU环境下评估PDC-Net。方法：PDC-Net采用时序表征自适应块(TRAB)进行局部时序变换与特征通道重标定，并采用跨分支门控Mamba交互(CGMI)模块实现输入依赖的双边信息交换与长程序列建模。结果：在严格的留一被试交叉验证(LOSO)下，PDC-Net平均解码准确率达76.76%，为所评估11个模型中的最高均值准确率，并在离线GPU设置下保持了跨被试解码性能与计算成本的良好平衡。结论：上述发现支持了在受控条件下基于双通道Fp1/Fp2 EEG进行离线、被试无关VSA/VIDC解码的可行性，并为后续外部、跨会话、在线及硬件特定评估提供依据。

研究背景与动机

注意是高阶认知的核心组件，连续自然条件下的注意状态监测对教育评估、人机交互与高危作业场景具有重要意义。EEG虽具备毫秒级时间分辨率，但少通道穿戴场景下空间信息有限且被试间变异性显著，传统手工特征工程依赖经验，深度学习模型在少通道下难以兼顾全局双边交互建模与计算效率，Transformer类方法计算负担重，卷积模型难以刻画长程依赖。前额叶额极Fp1/Fp2在10–20系统中呈双侧对称配置，包含与注意控制相关的θ、α、β节律，是少通道穿戴系统的实用折中。现有方法缺乏在紧凑架构内同时学习判别性时序特征、双边协调动态与被试鲁棒表征的能力。为此，研究人员提出PDC-Net，在仅用Fp1/Fp2两通道前提下，开展严格留一被试(LOSO)协议下的VSA与VIDC跨被试解码研究，论文发表于《Brain Sciences》。

主要关键技术方法

研究人员构建一致视觉刺激、仅改变注意指令的受控范式：VSA为持续观察自然场景图像，VIDC为在相同视觉环境中不进行主动监视而允许思维自然展开的实验性内指向状态；采用2×2被试内设计（注意状态×探针条件），16名健康青年（8女8男，18–23岁）使用OpenBCI Cyton+Daisy以250 Hz采集双耳参考Fp1/Fp2，经5–40 Hz带通与50 Hz陷波滤波，剔除探针后3 s及伪迹段，截为3 s非重叠窗，每被试每状态保留80样本。模型端采用双分支独立时序嵌入、分层堆叠的时序表征自适应块(TRAB)、跨分支门控Mamba交互(CGMI)、全局平均池化与分类头；训练用交叉熵+Adam，LOSO外循环留一被试作测试、余15人固定划分验证与训练，归一化参数仅由训练集估计以防泄漏。

研究结果

4.1 跨被试解码实验：在LOSO下PDC-Net获76.76±11.90%准确率、AUC 0.855±0.110，为11模型中最高均准；显著高于EEGNet、DeepConvNet、ShallowConvNet、TSception、EEGConformer（Holm校正后），与CTNet、EEGNeX无显著差异；较次高EEGNeX高2.58个百分点。计算量上MACs/FLOPs低于多数深模，GPU单样延迟0.460±0.089 ms，参数量0.939 M，属性能—成本有利权衡。更严伪迹筛+5–30 Hz下准确率75.47%，无统计显著下降。

4.2 探针控制与跨条件泛化：无探针训练测试(NP→NP)准确率74.38%，较主条件(MP→MP)降2.38点且不显著；MP→NP为71.33%、NP→MP为70.27%，均显著低于MP→MP但仍高于机遇。表明解码不依赖探针出现或时间结构，但MP与NP表征仅部分可迁移。

4.3 模块剔除消融：去CGMI准确率降至66.21%（降10.55点，p=0.0016），去TRAB降至66.72%（降10.04点，p=0.0024）；两模块对完整架构性能均关键，但因非参匹配不能隔离纯机制贡献。

4.4 可视化分析：混淆矩阵显示VSA类均准88.21%、VIDC类65.31%；t-SNE见原始输入两类重叠严重，Stage 3后及最终特征聚类渐显，仅作定性说明非因果证据。

讨论与结论翻译

讨论指出，PDC-Net在少通道前额叶EEG下达成最高跨被试均准，TRAB与CGMI均贡献显著但非参匹配消融不隔离机制效应；CGMI较拼接/相减/静态门控引入选择性状态空间序列建模且为线性复杂度，但未与多候选融合策略在匹配预算下比较；线性序列复杂度不等于全局最低成本，EEGNet参数量最低、ShallowConvNet延迟最低。结论：本研究提出PDC-Net用于Fp1/Fp2双通道跨被试VSA/VIDC解码，离线LOSO下获对比模型最高均准与有利性能—计算权衡，其分层时序处理与门控跨分支交互为少通道EEG解码提供实用框架，支持后续外部、跨会话、在线及硬件特定评估。局限含仅16名青年、单会话离线、无显式被试不变性目标、消融非参匹配，未来需在多样队列、跨中心、实时伪迹监测与边缘端压缩基准上拓展。