基于启发式算法的少通道脑-机接口系统

《Biomimetics》：A Few-Channel Brain–Computer Interface System Based on a Heuristic Algorithm

　　

传统的P300脑-机接口（BCI）系统依赖于多通道脑电图（EEG）采集，导致设备安装繁琐、准备时间长且用户工作负荷高，限制了其实际应用。为提高实用性，本文提出一种基于启发式算法的固定少通道选择框架，以平衡解码性能与用户体验。研究人员将遗传算法（GA）与贝叶斯线性判别分析（BLDA）相结合，从传统的八通道系统中识别出具有强泛化能力的少通道组合，避免了昂贵的受试者特异性再校准。为验证该方法，48名健康受试者完成了严格的离线和在线虚拟现实（VR）实验。结果表明，所提出的三通道系统在准确率和信息传输率方面与八通道系统保持高度可比，未出现显著的性能下降。至关重要的是，少通道方案将设备准备时间减少了90%（从30分钟降至3分钟）。此外，NASA-TLX工作负荷评估证实，用户的心理和生理负担显著降低（p < 0.05）。最终，在保持核心交互性能的同时，该少通道策略大幅提升了用户体验和系统实用性，为实现轻量化、用户友好的BCI系统提供了关键的理论与实践支持。

传统P300脑-机接口（Brain–Computer Interface，BCI）系统通常依赖8至32通道脑电图（Electroencephalogram，EEG）采集，电极安装和导电膏涂抹需要超过30分钟的准备时间，实验后还需清洗，设备复杂性和高计算复杂度限制了实时交互性能和实际应用。尽管干电极技术缩短了准备时间，但存在高阻抗和噪声问题，且无法解决多通道系统的根本缺陷。现有的少通道优化策略，如基于经验选择通道或递归算法，虽减少了通道数，但选择效率低且跨受试者泛化能力差；元启发式算法（如多目标粒子群优化、非支配排序遗传算法II）需要针对每个受试者重复训练模型，且性能仍不及全通道配置。此外，传统系统训练成本高，需要大量校准数据。因此，本研究旨在开发一种高泛化性、固定的少通道选择框架，以平衡解码性能与用户体验。

研究人员将遗传算法（Genetic Algorithm，GA）与贝叶斯线性判别分析（Bayesian Linear Discriminant Analysis，BLDA）集成，在48名健康受试者（12名女性，36名男性，年龄18–26岁）的离线数据上进行通道选择，统计出通用的三通道组合（C3、C4、P4），并设计了离线和在线虚拟现实（Virtual Reality，VR）实验进行验证。结果表明，该三通道系统在准确率和信息传输率（Information Transfer Rate，ITR）上与八通道系统高度可比，设备准备时间减少90%，NASA-TLX工作负荷显著降低。该研究为轻量化、用户友好的BCI系统提供了理论和实践支持。论文发表在《Biomimetics》。

本研究用到的主要关键技术方法如下：使用8通道湿电极EEG采集系统（电极F3、F4、C3、C4、P3、P4、O1、O2，遵循国际10-20系统，采样率250 Hz）。预处理包括基线校正、0.1–25 Hz带通滤波、50 Hz陷波和5倍降采样；特征提取将刺激后0–600 ms时间窗分为4个子窗，提取均值和方差，并叠加平均10次刺激。通道选择采用GA-BLDA框架：GA进行全局组合搜索，BLDA作为适应度评估器，通过10折交叉验证计算分类准确率，并使用加权适应度函数平衡准确率与通道数。经过正交实验确定GA参数（种群大小30，迭代次数10，变异率0.07，精英保留率0.05）。实验采用AB/BA交叉设计，分两次进行，间隔48小时。

3.1 实验环境与参数设置：所有离线处理和在线解码在配备Intel Core i7-11700K CPU、32 GB RAM的Windows 10工作站上完成，使用Python 3.9和Unity3D引擎。通过正交实验确定GA最佳参数为种群大小30、迭代次数10、变异率0.07、精英保留率0.05。

3.2 通道选择分析：基于正交实验L₂₅(5⁴)的25种参数组合，实验12获得最高三通道准确率88.0%。进一步统计发现，C3在所有48名受试者中均为第一选择（频率1.00），C4频率0.95，P4频率0.90。三通道平均准确率（88.0%）显著高于单通道（65.0%）和双通道（80.0%），但与四通道（89.0%）及以上（90.0–92.0%）无显著差异，证明三通道是性能与电极数量的最佳平衡点。

3.3 离线校准实验结果：离线实验中，两种方案的分类准确率均随闪烁轮次增加而上升。10轮时八通道准确率为91.88%，少通道为86.67%，绝对差距仅5.2%。ITR方面，八通道在10轮为24.60 bits/min，少通道为22.47 bits/min，差距仅2.13 bits/min。尽管在某些轮次统计差异显著，但绝对差距很小，表明少通道方案具有稳健的离线性能。

3.4 在线验证实验结果：在线实验中，少通道方案平均准确率为90.21%±5.36%，ITR为23.66±4.02 bits/min；八通道方案准确率为92.40%±5.55%，ITR为27.52±3.76 bits/min。两者准确率无显著差异，且部分受试者（如S26、S39、S41、S44、S45）达到100%准确率，10名受试者在少通道方案下表现优于自身八通道结果，表明其在线实时性能良好。

3.5 工作负荷评估：NASA-TLX问卷显示，少通道方案在脑力需求（19.27±7.72 vs 23.23±8.09）、体力需求（17.40±7.72 vs 25.21±7.78）和绩效（20.10±7.96 vs 27.50±8.12）方面显著优于八通道方案（p < 0.05）。时间需求、受挫感和努力程度无显著差异，但少通道组得分均略低，提示其更适于长期使用。

讨论部分指出，GA参数通过正交实验系统优化，选出的C3、C4、P4位于中央-顶叶区域，与P300成分的典型神经生理特征一致，且在大样本中统计稳健。与现有研究相比，该固定三通道框架避免了受试者特异性动态搜索，实现零校准成本，且纯EEG信号无需辅助模态（如眼电图EOG），在线准确率90.21%具有竞争力。与Krusienski等、Hu等、Long等、Ma等、Esfahani等、Martínez-Cagigal等的研究相比，本研究在保持解码性能的同时严格减少了电极数量并消除了使用前算法重校准。局限性包括：三通道布局牺牲空间分辨率和信号冗余，对噪声和运动伪影更敏感；受试者仅为健康年轻人，临床效果待验证；固定布局未完全考虑个体差异；使用湿电极，未来需验证干电极系统。未来方向包括动态通道优化、深度学习补偿信息损失、复杂场景稳定性验证。

研究结论：针对当前P300-BCI系统多通道部署繁琐的痛点，本研究提出一种基于启发式算法的少通道（C3、C4、P4）选择方案，核心目标是提升用户体验和系统实用性。在48名受试者上的实验表明，该方案在离线和在线准确率及信息传输率方面保持了与传统八通道系统相当的高水平（例如在线准确率：90.21% vs 92.40%），未观察到显著性能劣势。此外，工作负荷评估确证，在保证交互效能的同时，少通道配置显著减轻了用户的身心负担。这充分表明，精简通道不仅能有效打破传统BCI系统的物理限制，还能提供更轻松舒适的真实用户体验。未来将在干电极系统、临床人群和复杂场景中探索该轻量方案的泛化能力，并进一步结合深度学习优化算法。总体而言，本研究证实了“少通道驱动高性能”的可行性，为推进高实用性、用户友好的BCI系统走向实际应用提供了关键的理论与实践支持。