《Sensors》：SQ-HAF: Source Quality-Guided Hierarchical Adaptation and Multi-Branch Fusion for Few-Shot Cross-Subject SSVEP Recognition
编辑推荐：
减少用户特定校准对于基于稳态视觉诱发电位（SSVEP）的实用型脑机接口（BCI）至关重要，然而少样本跨被试解码仍面临异构源可迁移性与被试间变异性带来的挑战。研究人员提出SQ-HAF，一种源质量引导框架，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
减少用户特定校准对于基于稳态视觉诱发电位（SSVEP）的实用型脑机接口（BCI）至关重要，然而少样本跨被试解码仍面临异构源可迁移性与被试间变异性带来的挑战。研究人员提出SQ-HAF，一种源质量引导框架，该框架结合了目标相关源选择、频率邻域正则化空间滤波、协方差对齐以及多分支决策融合。候选源被试主要依据目标–源模板相似度进行排序；当每个刺激拥有多于一个带标签校准试验时，分裂半模板一致性（STC）提供有界的置信度调整。保留的源数据用于构建对齐后的广义源模板与源特定模板。在识别阶段，SQ-HAF将五子带谐波参考CCA得分与广义源模板得分及源特定模板得分进行融合。研究人员采用留一被试交叉验证，在35被试Benchmark数据集和70被试BETA数据集上评估了SQ-HAF。在1.0 s协议、每个刺激一个带标签校准试验的条件下，完整SQ-HAF配置在Benchmark上达到81.57%的准确率（ACC）和227.83 bits/min的信息传输率（ITR），在BETA上达到65.56%的ACC和163.42 bits/min的ITR。在匹配的0.5 s、每个刺激两个校准试验的分析中，经Holm校正后，五子带谐波参考设计在两个数据集上的ACC均优于单频带处理。上述结果表明，目标相关源筛选与互补的谐波/模板证据能够支持低校准跨被试SSVEP解码。
论文解读
一、研究背景与研究动机
脑机接口（BCI）建立了神经活动与外部设备之间的直接通信通路，非侵入性脑电图（EEG）因其实际部署的可行性而成为最实用的模态之一。在各类EEG范式中，稳态视觉诱发电位（SSVEP）凭借高信息传输率、良好的信噪比以及适合密集多目标交互等优势受到广泛关注。Benchmark数据集和BETA数据库为SSVEP刺激编码与频率识别方法的评估提供了多被试、多目标的公共测试平台。
然而，SSVEP解码面临一个核心瓶颈：传统方法往往依赖较长的被试特定校准过程，这增加了准备时间和用户负担，尤其在重复使用或辅助通信等场景中尤为不利。尽管标准谐波参考典型相关分析（CCA）可实现免校准识别，被试特定模板与任务相关成分分析（TRCA）等空间滤波方法也能利用个体响应模式进一步提升性能，但高解码精度通常仍依赖被试特定校准数据，限制了实际可用性。
为降低校准需求，迁移学习成为SSVEP-BCI领域的重要方向。已有研究涉及跨被试空间滤波器迁移、跨天/跨电极类型的被试内迁移、模板与空间滤波器的跨会话/跨被试/跨电极配置迁移，以及基于黎曼几何的协方差对齐等方法。近年来，该领域沿三条相互关联的轴线取得了进展：其一，源相关性判断从使用全部辅助数据转向显式识别有用源；其二，迁移表征从空间滤波器和模板扩展到相关特征、对齐信号数据和潜在表征；其三，所需目标校准量逐步减少，出现了每刺激一个试验、单一类别目标校准数据等低校准协议。
尽管已有诸多进展，源选择、对齐和目标校准通常被设计为迁移流程中相互独立的部分，缺乏一个在统一低校准协议下同时定义源相关性、被试内空间滤波、被试间协方差对齐与决策融合的完整框架。这一研究空白构成了本工作的直接动机。
二、研究内容与核心贡献
针对上述问题，研究人员提出SQ-HAF框架，其科学贡献包括三个方面：第一，在少样本校准条件下实现目标相关源选择，源被试依据目标–源模板相似度排序，当校准预算足够时引入分裂半模板一致性（STC）作为有界置信度因子；第二，提出频率邻域正则化空间滤波与协方差对齐方法，第一阶段（Stage 1）通过汇聚中心刺激类别及其物理相邻刺激频率的类内统计量来估计TRCA式空间滤波器，第二阶段（Stage 2）分别对齐所选源模板及可用时的目标数据的协方差结构；第三，设计五子带谐波与模板决策融合机制，谐波参考分支结合五个固定子带的CCA得分，另外两个分支分别比较目标试验与广义源模板及加权源特定模板，最终通过符号平方融合整合三类决策线索。
三、关键技术方法概述
研究人员在两个公共40目标SSVEP数据集上开展实验：35被试的Benchmark数据集和70被试的BETA数据集。两个数据集均采用0.14 s视觉延迟、2 s稳态SSVEP片段、9个枕顶区通道（Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2）及相同带通滤波设置。实验采用留一被试交叉验证（LOSO）协议，每折将一个被试作为目标被试，其余被试作为候选源被试。SQ-HAF的核心技术方法包括：基于目标–源模板相似度与STC的源质量评估与选择机制；基于物理频率邻域池化类内TRCA统计量的空间滤波器估计方法；基于欧氏对齐（EA）思想的被试间协方差对齐与模板构建方法；以及结合五子带谐波参考CCA、广义源模板匹配和源特定模板匹配的多分支评分与符号平方融合策略。对比方法包括SUTL、IISTLF、eTRCA、TtCCA、TDCA和EEG-Conformer等基线。
四、主要研究结果
整体性能对比。 在0.5至2.0 s四个时间窗下，完整SQ-HAF配置（每刺激一个校准试验）在Benchmark和BETA两个数据集上均取得所有方法中最高的准确率（ACC）和信息传输率（ITR）。在1.0 s条件下，Benchmark达到81.57% ACC和227.83 bits/min ITR，BETA达到65.56% ACC和163.42 bits/min ITR。
时间窗长度与数据集特征的影响。 平均ACC从0.5 s的43.81%（Benchmark）和36.53%（BETA）单调上升至2.0 s的94.96%和85.53%；平均ITR在1.0 s达到峰值后随窗口延长而下降，表明更长的观测时间带来的准确率增益被时间成本抵消。
校准量的影响。 从零校准到每刺激一个校准试验，Benchmark的ACC从74.37%提升至81.57%，ITR从198.99提升至227.83 bits/min；BETA从59.79%提升至65.56% ACC，ITR从141.63提升至163.42 bits/min。从一试验到两试验校准仅带来微小的均值变化。
消融与成分分析。 将目标相关源选择替换为随机源选择导致Benchmark ACC下降8.28个百分点、BETA下降7.65个百分点；移除五子带谐波参考分支造成最大分支级性能下降（Benchmark下降10.10个百分点，BETA下降15.56个百分点）；移除广义源模板分支分别下降5.98和10.34个百分点；将符号平方融合替换为绝对值融合导致ACC大幅下降（12.13和14.46个百分点）。
Stage 1频率邻域分析。 在Benchmark上，Stage 1使ACC平均提升1.8524个百分点并显著降低相邻频率混淆统计量；在BETA上相应差异较小且经Holm校正后不显著。邻域强度系数在0.2至1.0范围内变化时，ACC变化幅度极小且均无显著差异。
STC划分敏感性分析。 时间有序、随机类内和基于会话/运行标签的分块分层三种STC划分方式在识别性能上高度接近，分块分层与时间有序之间的差异均未通过Holm校正达到显著水平。
谐波子带设计效果。 在匹配的0.5 s、每刺激两个校准试验分析中，五子带设计在Benchmark上比单频带高出7.4857个百分点，在BETA上高出7.1321个百分点，两者经Holm校正后均显著。1.0、1.5和2.0 s的描述性比较呈现相同排序。
五、讨论与结论
讨论部分指出，SQ-HAF的源选择阶段在目标校准可用时利用其识别响应模式相似的既往用户，而非赋予整个源池同等相关性。Stage 1和Stage 2分别处理迁移问题的不同方面：前者学习源特定空间滤波器，后者对齐被试级协方差并构建广义模板。三个决策分支贡献不均但互补，谐波参考分支贡献最大，其次为广义源模板分支。Stage 2在BETA上的贡献大于Benchmark，表明协方差对齐在BETA上作用更强。STC被定性为校准依赖的源可靠性描述符，其划分策略对识别结果影响有限。Stage 1的相邻频率效应呈现数据集依赖性，在Benchmark上显著降低相邻混淆，在BETA上效果不明显。局限性方面，当前评估局限于两个公共离线数据集，未来可扩展至重复会话和在线BCI应用，并探索数据自适应邻域构建与区分短期可重复性和慢速会话变化的可靠性度量。
研究结论表明，SQ-HAF通过结合目标相关源选择、频率邻域正则化空间滤波、被试间协方差对齐及三个互补决策分支，实现了低校准跨被试SSVEP识别。在每刺激一个校准试验条件下，完整配置在1.0 s时于Benchmark达到81.57% ACC和227.83 bits/min，于BETA达到65.56% ACC和163.42 bits/min，并在0.5至2.0 s所有条件下取得对比方法中最高的ACC和ITR。消融实验显示，目标相关源选择、谐波参考分支、广义源模板分支及符号平方融合均为关键组件。匹配的0.5 s双校准分析证实五子带谐波参考处理经Holm校正后在两个数据集上均显著优于单频带处理。整体而言，研究结果支持将源筛选、协方差对齐模板迁移与互补的谐波/模板证据相结合，以实现有限目标校准条件下的SSVEP识别。
