TopoAdapter：一种用于 MI-EEG 解码的即插即用多跳拓扑适配器

《Journal of Neuroscience Methods》：TopoAdapter: A plug-and-play multi-hop topology adapter for MI-EEG decoding

　　

- TopoAdapter通过累积跳数残差编码固定的电极拓扑结构。
- 形状保持的适配器无需对EEG骨干网络进行修改。
- 在两个运动想象数据集和一个实际运动数据集上均出现正向平均增益。
- BCI IV-2a的七个骨干网络在增加70个参数的情况下平均性能均得到提升。
- TopoAdapter的适配器参数比ACML少86.2%，但准确率相当。

## 引言

运动想象脑电（MI-EEG）将想象的肢体运动解码为控制指令，是无创脑-机接口的核心任务之一。该任务仍然困难，因为EEG记录具有低信噪比、时间非平稳性，且在不同受试者、不同会话和不同采集条件之间存在显著差异（Lotte et al., 2018, Craik et al., 2019, Roy et al., 2019, Altaheri et al., 2021）。BCI Competition IV-2a等公开MI基准支持可复现的评估，但也暴露了受试者依赖性校准中的小样本困境：每位受试者每次会话仅提供数百个标注试验（Tangermann et al., 2012, Brunner et al., 2015, Jayaram and Barachant, 2018）。

成功的MI解码器通常结合学习到的表示与领域先验。经典方法使用空间滤波器或协方差几何来直接利用通道结构（Ang et al., 2012, Barachant et al., 2012）。DeepConvNet、EEGNet和时间卷积解码器等神经基线通过时间滤波和显式空间卷积改进了端到端表示学习（Schirrmeister et al., 2017, Lawhern et al., 2018, Sakhavi et al., 2018）。后续的轻量级设计纳入了时间卷积、滤波器组视角和基于注意力的时间建模（Altaheri et al., 2023, Ingolfsson et al., 2020, Mane et al., 2021）。最近的变体进一步探索了滤波器组注意力、sinc滤波和频率交互（Chen, Jiaming et al., 2022, Chen et al., 2023, Liu et al., 2022, Wang et al., 2023）。FBMSNet和SecNet等完整解码器额外编码了多尺度滤波器组或二阶协方差结构，强化了显式信号先验在小样本MI-EEG解码中的价值（Liu et al., 2023, Liang et al., 2025）。混合卷积-Transformer和面向紧凑基准的设计继续沿这一轨迹推进，同时保持了小校准集的核心约束（X. Chen et al., 2024, Song et al., 2023）。

近期神经科学方法和生物医学信号处理研究也强调了完整的实验报告。数据集划分、预处理窗口、基线标识、参数成本和统计解释通常是一起指定的，而非作为补充细节（Riyad et al., 2021, Deng et al., 2024, Chunduri et al., 2024）。类似的报告期望出现在近期结合新架构与显式协议描述的MI-EEG模型研究中（Bhatt and Sharma, 2024, Kumari et al., 2024, Sehnan et al., 2026）。这种报告方式对小样本MI研究尤为重要，因为试验窗口、验证分割、标准化、数据增强或早停的微小变化就可能改变模型间的表观排名。

标准EEG电极布局提供了一种稳定的物理结构，但许多轻量级神经解码器并未充分利用这一结构。图神经网络可以建模电极关系，但它们通常在骨干网络中加入图卷积层、图注意力层或学习到的邻接矩阵（Zhang et al., 2020, Sun et al., 2021, Sun et al., 2023, Demir et al., 2022）。近期的基于图的MI解码器进一步探索了动态图构建、拓扑感知卷积和针对电极关系的混合注意力（Y. Chen et al., 2024, Han et al., 2025, Shen and Namiki, 2025, Shi et al., 2024）。非常近期的图注意力变体强化了同样的方法论点：电极拓扑是有用的，但通常被嵌入在解码器内部（Gao et al., 2026）。一个互补的方法论目标是确定固定电极拓扑是否可以作为一种小型可复用模块注入，同时保持主解码器不变。

为弥补这一空白，我们提出了TopoAdapter，一种即插即用的多跳电极拓扑适配器。该模块构建固定电极图，计算累积k跳通道-邻域对比，并通过可学习低幅残差路径将其注入原始EEG输入。由于适配器保持输入张量形状不变，它可以在EEG骨干网络之前作为预处理式神经模块插入，而无需修改下游的卷积、注意力、时间或分类组件。

近期的适配器风格工作促使明确报告模块插入位置、哪些骨干组件保持不变或冻结、引入了多少参数和计算开销，以及哪些消融实验能隔离模块效应（Houlsby et al., 2019, Yuan et al., 2025, Ma et al., 2026, Shook et al., 2025）。同行评审的布局感知适配提供了密切相关的一个实例，其中基于坐标的通道嵌入被插入到冻结的EEG基础模型之前（Ma and Ruotsalo, 2026）。遵循这种报告风格，我们评估固定电极布局先验能否在保持每个骨干不变的情况下，为选定的轻量级EEG解码器提供可解释且低成本的性能提升。

本研究的主要贡献如下：

- 我们提出了TopoAdapter，一种形状保持的输入级拓扑适配器，可以在不修改其下游架构的情况下插入到现有MI-EEG解码器之前。
- 我们将固定物理电极拓扑表述为带通道级门控的累积多跳邻域对比，使局部到区域的传感器空间信息能够通过可学习残差路径注入。
- 我们基于ATCNet风格骨干实例化了所提出的适配器，并在对齐的500轮次、五随机种子、受试者依赖协议下评估了所得到的TopoATCNet。
- 我们在未改变的适配器逻辑下评估了BCI Competition IV-2a、Zhou2016和Schirrmeister2017 High-Gamma数据集，涵盖14通道、22通道和44通道电极布局，以及运动想象和实际运动解码。
- 我们进行了配对评估、跨骨干兼容性分析、结构消融和控制实验，以及实测推理基准测试，以刻画适配器的效应、开销和边界条件。

## 章节摘要

### 相关工作

轻量级EEG神经网络旨在不依赖大量校准集或重型计算的情况下提高解码准确率。EEGNet使用时间卷积、深度可分离空间卷积和可分离卷积来紧凑地建模频率、空间和时域特征（Lawhern et al., 2018）。EEG-TCNet和ATCNet通过将卷积特征提取与时间卷积或滑动窗口自注意力相结合来扩展这一方向（Ingolfsson et al., 2020, Altaheri et al., 2023）。

### 问题定义

给定一个EEG试验 X ∈ ?^(C×T)，其中C是EEG通道数，T是时间样本数，TopoAdapter返回 X_topo ∈ ?^(C×T)（图1）。这种形状保持是关键模块接口。下游解码器接收与之前相同的张量形状；无需改变卷积核、注意力维度、时间块或分类器头。

令受试者依赖数据集表示为 {(X_i, y_i)}_{i=1}^N，其中 X_i ∈ ?^(C×T) 是单个EEG试验，y_i ∈ {1, …, Q} 是类别标签。

### 主要对比

表7确认两种输入适配方式在准确率、加权F1和Kappa上均提升了ATCNet的平均表现。两种适配模型的平均准确率几乎相同，而TopoAdapter比ACML少用436个参数。

TopoATCNet将九名受试者的平均准确率从59.31%提升至60.52%，增益为1.20个百分点，仅增加了70个可训练参数。七名受试者性能提升，两名下降。配对t检验给出p=0.012，Wilcoxon符号秩检验给出p=0.0195。

### 主要发现

TopoAdapter最清晰的贡献在于模块边界。通过定义稳定的输入-输出契约、保持EEG张量形状并避免访问中间特征维度，适配器使得无需围绕图层重新设计特征提取器，就能跨骨干测试相同的拓扑先验成为可能。

这种框架也提升了实证论断的清晰度。一个小型模块化适配器不应仅通过平均准确率来评估；其价值取决于…

## 结论

本文提出了TopoAdapter，一种面向轻量级运动-EEG解码的模块化多跳电极拓扑适配器。该模块通过门控累积邻域对比注入固定电极布局信息，同时保持输入形状不变并保持骨干架构不变。在五随机种子的BCI Competition IV-2a评估中，所有七个异构骨干配对在仅增加70个参数的情况下均显示出正向平均变化，其中三组在Holm校正后仍保留Wilcoxon证据。

## CRediT作者贡献声明

Yu Cai：撰写–审阅与编辑，撰写–初稿，软件，方法论，概念构思，调查研究，验证，可视化。Qianjin Guo：监督。Xiaozhu Lin：监督。

## 伦理声明

作者**未**从参与者或其法定代表处获得知情同意。由于本次二次分析仅使用公开可用的去标识化EEG数据集、未涉及参与者接触且不包含可识别个人信息，因此未获取新的知情同意。原始数据采集的同意和伦理监督由各自的数据集提供者负责处理。

本研究遵守了相关法律法规。

## 利益冲突声明

作者声明不存在可能影响本文所报道工作的已知竞争性经济利益或个人关系。

## 致谢

本工作受国家自然科学基金（编号：52361145714, 21673252）和中国北京市教委（基金编号：2019821001）资助，并获北京石油化工学院攀登计划基金（项目编号：BIPTAAI-2021007）和致远基金项目重点项目（项目编号：2024003）支持。

Yu Cai | Qianjin Guo | Xiaozhu Lin