【导读】近日，华东理工大学金晶教授团队在IEEE Transactions on Biomedical Engineering期刊上发表的最新研究，提出了一种基于迁移叠加理论的SSVEP跨被试解码模型。该模型利用源被试数据，通过学习模型的域不变特征，旨在提高系统在任意目标被试上的即插即用性能。研究中构建的SSVEP多通道分解模型，采用交替最小二乘法进行求解，有效捕获了不同被试间任务相关成分的共性信息，并构建了全局迁移模型。
脑机接口（BCI）是一种不依赖外周神经和肌肉通道直接和外部设备进行通信的新型人机交互技术。从信号获取的角度来看，基于非侵入式脑电图（EEG）的BCI系统因其安全性、便携性和低成本的特点备受国内外学者关注。根据诱发模式的不同，非侵入式脑机接口系统可以划分为事件相关同步/去同步、事件相关电位和稳态视觉诱发电位。相较于其它两种模式，稳态视觉诱发电位具有高信息传输率（ITRs）、强信噪比（SNR）、多编码指令数等优点。目前，基于空间滤波器和深度学习的有监督学习方法已经实现了SSVEP解码性能的增强。此类方法需要在线收集大量的目标校准数据，校准时间过长，用户体验感较差。SSVEP跨被试解码模型通过利用源被试数据学习模型的域不变特征，能够在任意目标被试上实现系统即插即用。然而，由于不同被试大脑结构复杂多样，神经信号模式复杂，导致同一任务下的个体脑电差异性显著，任务相关信息成分难以鲁棒表征，使得当前SSVEP-BCI系统的跨被试模型解码性能差。近日，华东理工大学工业控制技术全国重点实验室、能源化工过程控制教育部重点实验室的脑机接口及其控制团队在IEEE Transactions on Biomedical Engineering期刊上在线发表题为“Leveraging Transfer Superposition Theory for Stable State Visual Evoked Potential Cross Subject Frequency Recognition.”的研究，提出了一种基于迁移叠加理论的SSVEP跨被试解码模型。
图1源被试迁移模式示意图
SSVEP多通道分解模型构建如下：
其中，为第m个源域所对应的第n个刺激的迁移空间滤波器；
为第m个源域所对应的第n个刺激的脉冲响应，它包含确定SSVEP波形的个体特性；Hn为第n个刺激对应的周期脉冲信号。SSVEP多通道分解模型可使用交替最小二乘法进行求解。首先，初始化
，
通过求解上式来估计。然后，通过计算估计的
来更新
，直到
的值收敛即可，其交叉迭代形式如下：
接下来，我们在SSVEP多通道分解模型的基础上，利用原型空间滤波器捕获被试之间任务相关成分的共性信息，构建了一种全局迁移模型，如下图2所示。
图2全局迁移模型构建示意图
共迁移空间滤波器Un能够捕获不同被试之间迁移空间中的共性信息,其基本思想如下：寻找一组空间滤波器Un使得被试之间的个体迁移空间滤波器相关性最大化，其函数表达式定义如下所示：
同理，共同脉冲响应也可通过上式获取，其目的是为了捕获不同被试之间个体自发脑电之间的共同成分，以便通过信号叠加理论来生成更为稳定的全局迁移叠加模板。最终，研究者设计了一种集成分类器，它通过结合正余弦参考模板、个体迁移模型和全局迁移模型，实现SSVEP跨被试解码。
该实验共招募105名健康被试者参与。实验表明基于叠加理论的SSVEP跨被试解码框架能够有效的克服个体被试脑电之间的差异性，捕获SSVEP任务相关的共性信息，增强模型的域不变特性鲁棒表征能力。此外，所提方法与TTCCA，FBCCA，DNN和CSSFDG等最先进的方法对比，其平均识别准确率分别提升了8%，12%，3%和5%。
本文提出的基于迁移叠加理论的SSVEP跨被试解码模型无需采集任何目标被试的校准信息即可实现系统即插即用，并且具备准确的解码性能。所提框架能够促进SSVEP-BCI系统的实际应用，实现对外部设备的高效控制。
该项研究工作由金晶教授指导，博士生何昕杰为论文第一作者，秦柯、梁伟博士、王行愚教授、加利福尼亚大学的Brendan Z. Allison教授、哥白尼大学的Andrzej Cichocki教授等为本论文工作也做出了重要贡献。
论文来源：
Xinjie He, Brendan Z Allison, Ke Qin, Wei Liang, Xingyu Wang, Andrzej Cichocki, Jing Jin*. Leveraging Transfer Superposition Theory for Stable-State Visual Evoked Potential Cross-Subject Frequency Recognition. IEEE Transactions on Biomedical Engineering, 2024, early access. DOI: 10.1109/TBME.2024.3406603.
作者信息
审核排版 潘家辉
【免责声明】本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系，我们将于第一时间删除内容。内容为作者个人观点，不代表本公众号立场和对其真实性负责。
