# 1. 中文标题 基于源质量引导的谐波自适应融合框架用于少样本跨被试SSVEP解码研究

《Sensors》：Effects of Cervical Motion Restriction on Wheelchair Propulsion Velocity and Upper-Limb Kinematics in Healthy Individuals

　　

# 3. 摘要翻译

减少用户特异性校准对于实用的基于稳态视觉诱发电位（Steady-State Visual Evoked Potential, SSVEP）的脑机接口（Brain–Computer Interface, BCI）至关重要，然而少样本跨被试解码仍面临源迁移能力异质性和被试间变异性的挑战。研究人员提出SQ-HAF，一种源质量引导（Source Quality-guided）框架，该框架结合了目标相关源选择、频率邻域正则化空间滤波、协方差对齐和多分支决策融合。候选源被试主要根据目标–源模板相似度进行排序；当每个刺激有超过一个标记校准试次可用时，分半模板一致性（Split-half Template Consistency, STC）提供一个有界置信度调整。保留的源数据用于构建对齐的泛化源模板和源特异性模板。在识别阶段，SQ-HAF将五子带谐波参考典型相关分析（Canonical Correlation Analysis, CCA）得分与泛化源模板得分及源特异性模板得分进行融合。研究人员在35名被试的Benchmark数据集和70名被试的BETA数据集上，采用留一被试交叉验证对SQ-HAF进行了评估。在1.0 s协议下，每个刺激有一个标记校准试次时，完整SQ-HAF配置在Benchmark数据集上达到81.57%准确率（Accuracy, ACC）和227.83 bits/min信息传输率（Information Transfer Rate, ITR），在BETA数据集上达到65.56% ACC和163.42 bits/min ITR。在匹配的0.5 s分析中，每个刺激有两个校准试次时，经Holm校正后，五子带谐波参考设计在两个数据集上均相较于单带处理提高了ACC。这些结果表明，目标相关源筛选和互补的谐波/模板证据能够支持低校准跨被试SSVEP解码。

# 4. 论文解读文章

## 研究背景与问题

脑机接口（Brain–Computer Interface, BCI）在神经活动与外部设备之间建立直接通信通路，非侵入性脑电图（Electroencephalography, EEG）因其实用性而成为现实部署中最主要的模态之一。在各类EEG范式中，稳态视觉诱发电位（Steady-State Visual Evoked Potential, SSVEP）凭借其高信息传输率（Information Transfer Rate, ITR）、良好的信噪比以及适用于密集多目标交互的特点而受到广泛关注。现有的公开基准资源，包括Benchmark数据集和BETA数据库，为评估SSVEP刺激编码和频率识别方法提供了多被试、多目标的测试平台。

然而，SSVEP-based BCI面临一个关键瓶颈：较长的被试特异性校准过程增加了准备时间和用户负担，在重复使用或辅助应用场景中尤为突出。尽管基于谐波参考的典型相关分析（Canonical Correlation Analysis, CCA）能够实现免校准识别，当校准数据可用时，被试特异性模板和基于任务相关成分分析（Task-Related Component Analysis, TRCA）的空间滤波可以进一步利用个体响应模式提高性能，但高解码准确率往往仍依赖于被试特异性校准，限制了实际可用性。

近年来，迁移学习成为减少校准负担的主要方向，沿着三个关联轴取得进展：第一，源相关性的关注点已从使用所有可用辅助数据转向显式识别有用来源，包括基于准确率的被试选择、目标–源相似度评估、源迁移能力估计等方法；第二，迁移表征从空间滤波器和模板扩展至相关特征、对齐信号数据和潜在表征；第三，所需目标校准量逐步减少，已报道的方案包括有限目标训练数据、每刺激一个试次、单类目标校准数据等。尽管如此，源选择、对齐和目标校准通常被设计为迁移流程中的独立部分，源相关性度量、对齐操作和目标信息量在不同研究中差异显著，这促使研究人员构建一个在统一低校准协议下整合源相关性评估、被试内空间滤波、被试间协方差对齐和决策融合的框架。

## 研究内容与意义

研究人员提出SQ-HAF（Source Quality-guided Harmonic-Adaptive Fusion），一种面向少样本跨被试SSVEP识别的源质量引导框架。SQ-HAF包含四个功能组件：（1）源质量评估与源选择；（2）第一阶段（Stage 1）：被试内频率邻域正则化空间滤波；（3）第二阶段（Stage 2）：被试间协方差对齐与模板构建；（4）多分支评分与融合。

在源质量评估中，候选源被试根据目标–源模板相似度进行排序；当校准预算足够激活分半模板一致性（Split-half Template Consistency, STC）置信门控时，STC提供有界置信度调整。具体而言，当每个刺激仅有一个标记校准试次时，置信系数为零，源排序完全由模板相似度决定。随着校准试次增加，STC通过受控因子调节源质量得分，目标相关性始终为主导项。保留的源被试数据用于构建对齐的泛化源模板和源特异性模板。

在识别阶段，SQ-HAF通过三个分支评估每个候选刺激：五子带谐波参考分支将CCA得分从五个固定子带进行组合；泛化源模板分支比较目标试次与跨被试对齐模板；源特异性模板分支利用Stage 1空间滤波器和源权重。三个分支得分经带符号平方变换后融合，预测得分最高的刺激。

研究人员在Benchmark（35名被试）和BETA（70名被试）两个公开的40目标SSVEP数据集上，采用留一被试交叉验证（Leave-One-Subject-Out, LOSO）对SQ-HAF进行系统评估。在1.0 s协议、每刺激一个标记校准试次条件下，完整SQ-HAF配置在Benchmark数据集上达到81.57%准确率（Accuracy, ACC）和227.83 bits/min ITR，在BETA数据集上达到65.56% ACC和163.42 bits/min ITR。在0.5–2.0 s的窗口分析中，SQ-HAF在所有四个窗口长度上均获得了所比较方法中最高的ACC和ITR。该研究的意义在于，SQ-HAF证明目标相关源筛选、协方差对齐模板迁移以及互补的谐波/模板证据的组合，能够在有限目标校准条件下有效支持SSVEP跨被试解码，从而降低BCI系统的使用门槛。

## 关键技术方法

SQ-HAF的核心技术路线包含以下关键方法：首先，源质量评估采用目标–源模板相似度（基于模板间向量化Pearson相关）作为迁移能力指标，结合分半模板一致性（STC）（按采集时间顺序将源被试试次分为前后两半，计算早期模板与晚期模板的第一典型相关系数）作为源可靠性指标，通过校准预算自适应的置信门控机制融合两者进行源排序与加权。其次，Stage 1在TRCA框架基础上，引入基于物理刺激频率顺序的邻域正则化，通过距离衰减权重池化相邻频率类别的类内协方差统计量，不涉及跨类试次配对。再者，Stage 2采用欧几里得对齐（Euclidean Alignment, EA）消除被试间协方差差异：以所选源被试协方差的算术平均作为参考协方差矩阵，对源模板和目标数据进行白化-重着色变换，当存在目标校准数据时单独估计目标协方差。最后，决策融合阶段采用五子带谐波参考（子带截止频率分别为6–90、12–90、18–90、24–90、30–90 Hz，经三阶Butterworth滤波器零相位滤波）、泛化源模板和源特异性模板三个分支的带符号平方融合策略。实验评估采用LOSO验证，与SUTL、IISTLF、eTRCA、TtCCA、TDCA和EEG-Conformer等方法进行比较，使用ACC和ITR作为评价指标。

## 研究结果

### 整体性能比较

在0.5 s至2.0 s窗口的整体比较中，SQ-HAF在所有窗口长度和两个数据集上均获得了所比较方法中最高的ACC和ITR。在1.0 s单校准试次操作点，Benchmark上完整SQ-HAF达到81.57% ACC和227.83 bits/min ITR，BETA上达到65.56% ACC和163.42 bits/min ITR。窗口长度分析显示，ACC随观察窗口增长而单调递增（Benchmark从43.81%增至94.96%，BETA从36.53%增至85.53%），而平均ITR在1.0 s处达到峰值。

### 校准努力量的影响

在1.0 s窗口下，将校准试次数从零增至一个时，Benchmark上ACC从74.37%提升至81.57%，ITR从198.99提升至227.83 bits/min；BETA上ACC从59.79%提升至65.56%，ITR从141.63提升至163.42 bits/min。从一到两个校准试次的增量仅产生较小的均值变化。由于单个校准试次时置信门控为零，该改善反映了目标特异性模板信息的可用性，而非STC置信效应。

### 消融与组件分析

在1.0 s单试次消融分析中，将目标相关源选择替换为随机源选择使Benchmark ACC下降8.28个百分点，BETA下降7.65个百分点；仅使用STC评分分别下降7.14和5.27个百分点。移除Stage 1在Benchmark上ACC下降1.64个百分点，BETA下降0.41个百分点；移除Stage 2分别下降0.94和2.97个百分点。在决策分支中，移除泛化源模板分支分别下降5.98和10.34个百分点；移除源特异性模板分支下降0.93和0.62个百分点；移除五子带谐波参考分支产生最大降幅，分别为10.10和15.56个百分点，ITR分别下降41.86和53.69 bits/min。将带符号平方融合替换为绝对值融合，ACC分别下降12.13和14.46个百分点。

### Stage 1频率邻域分析

在1.0 s配对比较中，Stage 1在Benchmark上使ACC平均提升1.85个百分点，被试水平相邻混淆统计量降低1.18个百分点，经Holm校正后仍显著；在BETA上差异较小且校正后不显著。邻域强度系数α在1–5范围内变化时，最大ACC变化不超过0.16个百分点，无显著差异。

### 谐波子带设计效果

在匹配的0.5 s双试次分析中，五子带设计相较于单带处理在Benchmark上ACC提高7.49个百分点（Holm校正p < 0.0001），在BETA上提高7.13个百分点（Holm校正p < 0.0001）。在1.0、1.5和2.0 s窗口的完整SQ-HAF消融中，移除谐波参考分支始终产生最大的分支特异性ACC下降。

### STC划分策略

时间顺序、随机和按块分层三种STC划分策略在测试的校准预算下产生相近的识别性能。按块分层与时间顺序划分的配对比较中，ACC和ITR差异均较小，经Holm校正后均不显著。

## 讨论与结论

在讨论部分，研究人员分析了各组件的作用：Stage 1和Stage 2处理迁移问题的不同方面——Stage 1从重复试次及其局部物理频率邻域学习源特异性空间滤波器，供源特异性模板分支使用；Stage 2在被试水平对齐协方差并构建对齐源模板，泛化模板及其跨被试空间滤波器由此获得。三个决策分支贡献不均等但互补，谐波参考分支在分析上不同于模板分支，因为它将对齐目标信号与五个加权子带的正弦参考进行比较，而其他分支依赖迁移的EEG模板。Stage 2在BETA上产生比Benchmark更大的ACC变化（2.97 vs 0.94个百分点），表明协方差对齐在BETA上的贡献更强。

研究存在的主要局限性包括：当前评估仅限于两个公开离线SSVEP数据集上的跨被试识别，未涉及重复会话和在线BCI使用场景。Stage 1采用固定局部频率邻域，STC主要度量早期和晚期源模板之间的一致性。未来工作可探索数据自适应邻域构建和区分短期可重复性与较慢会话变化的可靠性度量。

研究结论如下：SQ-HAF结合了目标相关源选择、频率邻域正则化空间滤波、被试间协方差对齐和三个互补决策分支，用于低校准跨被试SSVEP识别。谐波参考分支使用五个加权子带，泛化源模板和源特异性模板分支从所选源被试迁移互补信息。在每刺激一个校准试次条件下，完整SQ-HAF在1.0 s时Benchmark达到81.57% ACC和227.83 bits/min ITR，BETA达到65.56% ACC和163.42 bits/min ITR，并在0.5–2.0 s所有条件下获得所比较方法中最高的ACC和ITR。0.5–2.0 s分析显示ACC随观察长度增加而提高，平均ITR在1.0 s处达到峰值。消融结果表明，当目标相关源选择被随机选择替代、谐波参考或泛化源模板分支被移除、以及带符号平方融合被绝对值融合替代时，性能出现显著下降。在匹配的0.5 s双校准试次分析中，经Holm校正后，五子带谐波参考处理在两个数据集上均显著优于单带处理。总体而言，结果支持将源筛选、协方差对齐模板迁移以及互补的谐波/模板证据相结合，用于有限目标校准条件下的SSVEP识别。