Mutual Information-driven Subject-invariant and Class-relevant Deep Representation Learning in BCI
Korea University（高丽大学）
近年来，基于深度学习的特征表示方法在基于脑电（EEG）的脑机接口（BCI）中显示出了良好的影响。然而，由于高的内部和受试者之间的变异性，许多研究解码EEG的设计在一个特定的受试者的方式，通过使用校准样本，没有考虑其实际用途，阻碍了耗时的步骤和大量的数据要求。为此，最近的研究采用了迁移学习策略，特别是领域自适应技术。其中，据我们所知，对抗性学习在BCI中显示出了其潜力。同时，已知的是，基于对抗学习的领域自适应方法倾向于负迁移，这破坏了学习适用于不同领域的广义特征表示，例如，脑机接口中的主题或会话。在本文中，我们提出了一个新的框架，以信息论的方式学习类相关和主题不变的特征表示，而不使用对抗学习。具体来说，我们在深度网络中设计了两个操作组件，用于显式估计特征表示之间的互信息;（1）将中间层中的特征分解为类相关和类不相关的特征，（2）丰富类判别特征表示。在两个大的EEG数据集上，我们通过与几种比较方法的性能比较，验证了我们提出的框架的有效性。此外，我们通过对网络中的组件进行消融研究进行了严格的分析，通过逐层相关传播解释了我们的模型对输入EEG信号的决定，并通过t-SNE可视化了学习特征的分布。
2020-08-21 cs.HC cs.LG stat.ML
Active Semi-supervised Transfer Learning (ASTL) for Offline BCI Calibration
DataNova
脑电信号事件相关电位的单次分类是脑机接口（BCI）的一个重要研究方向。由于个体差异，通常需要一些特定于受试者的校准数据来为每个受试者定制分类器。迁移学习已被广泛用于通过利用来自类似/相关主体/任务的辅助数据来减少这种校准数据要求。然而，所有以前的研究都假设所有辅助数据都已标记。本文考虑了一个更一般的场景，其中部分辅助数据可以是未标记的。提出了一种基于主动半监督迁移学习（ASTL）的脑机接口离线校准方法，该方法集成了主动学习、半监督学习和迁移学习。使用视觉诱发电位古怪的任务和三种不同的EEG耳机，我们证明，ASTL可以实现一致的良好性能，跨学科和耳机，它优于一些国家的最先进的方法在文献中。
2018-05-12 cs.HC cs.LG stat.ML
CSSSTN: A Class-sensitive Subject-to-subject Semantic Style Transfer Network for EEG Classification in RSVP Tasks
School of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院）；Hangzhou Hikvision Digital Technology Company（杭州海康威视数字技术股份有限公司）
提出CSSSTN网络，通过类别敏感对齐和风格迁移，提升RSVP任务中BCI文盲用户的EEG分类性能，在公开数据集上显著优于现有方法。
2025-02-12 cs.LG eess.SP
Overcoming the BCI Calibration Bottleneck: A Clinically-Grounded Architecture using Riemannian Alignment and Stochastic Weight Averaging
University of Bern（伯恩大学）
研究针对脑机接口校准瓶颈问题，构建结合逐会话独立成分分析、黎曼欧几里得对齐和随机权重平均稳定EEGNet的深度学习管道，在基准测试和案例研究中取得高准确率，验证了对二元运动想象的硬件无关零样本有效性。
2026-07-21 cs.LG eess.SP q-bio.NC
Minimizing inter-subject variability in fNIRS based Brain Computer Interfaces via multiple-kernel support vector learning
在不同的会话期间从不同受试者获得的测量结果中的脑信号变化显著地恶化了大多数脑-机接口（BCI）系统的准确性。此外，这些可变性（也称为受试者间或会话间可变性）在可以使用BCI系统之前需要长时间的校准会话。此外，由于会话间的可变性，在使用BCI之前，必须独立地针对每个受试者重复校准会话。在这项研究中，我们提出了一种算法，以尽量减少上述的可变性，并克服耗时，通常容易出错的校准时间。我们的算法是基于线性规划支持向量机和他们的扩展到一个多核学习框架。我们解决了分类器的特征空间中的主题间或会话间的变化。这是通过将每个主题或会话特定的特征空间合并到具有一组最佳决策边界的更丰富的特征空间中来完成的。每个决策边界表示神经信号的受试者或会话特定的时空可变性。因此，即使没有校准步骤，具有多个特征空间的单个分类器也将很好地推广到新的看不见的测试模式。我们证明，即使在存在很大程度的BCI变异性的情况下，分类器也能保持良好的性能。本研究分析了BCI变异相关的氧血红蛋白神经信号测量使用功能近红外光谱。
2013-05-08 cs.LG stat.ML
Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016
Huazhong University of Science and Technology（华中科技大学）；Shanghai Jiao Tong University（上海交通大学）
脑机接口（BCI）使用户能够使用脑信号直接与计算机通信。最常见的非侵入性BCI模态，脑电图（EEG），是敏感的噪声/伪影，并遭受主体间/主体内的非平稳性。因此，很难在基于EEG的BCI系统中建立通用的模式识别模型，该模型对于不同的受试者、在不同的会话期间、对于不同的设备和任务是最佳的。通常，需要校准会话来收集用于新对象的一些训练数据，这是耗时的并且用户不友好的。迁移学习（TL）利用来自相似或相关受试者/会话/设备/任务的数据或知识来促进对新受试者/会话/设备/任务的学习，经常用于减少校准工作量。本文回顾了过去几年有关基于EEG的脑机接口中TL方法的期刊出版物，即，自2016年以来。六个范例和应用-运动想象，事件相关电位，稳态视觉诱发电位，情感脑机接口，回归问题，和对抗攻击-被认为是。对于每一个范例/应用程序，我们组TL方法到跨学科/会话，跨设备，跨任务设置和审查他们分开。论文最后给出了观察和结论，并指出了未来的研究方向。
2020-07-03 cs.HC cs.LG eess.SP
MIN2Net: End-to-End Multi-Task Learning for Subject-Independent Motor Imagery EEG Classification
Queen Mary University of London（伦敦玛丽女王大学）；Nanyang Technological University（南洋理工大学）；Suranaree University of Technology（苏拉那里理工大学）
基于运动想象（MI）的脑机接口（BCI）的进展允许通过解码神经生理现象来控制几种应用，这些现象通常由脑电图（EEG）使用非侵入性技术记录。尽管基于MI的BCI取得了很大进展，但EEG节律是特定于受试者的，并且随着时间的推移会发生各种变化。这些问题指出了提高分类性能的重大挑战，特别是以独立于主题的方式。为了克服这些挑战，我们提出了MIN 2Net，这是一种新的端到端多任务学习来解决这一任务。我们将深度度量学习集成到多任务自动编码器中，以从EEG中学习紧凑且有区别的潜在表示，并同时执行分类。该方法降低了预处理的复杂度，显著提高了脑电分类的性能。以独立于受试者的方式进行的实验结果表明，MIN 2Net的性能优于最先进的技术，在SMR-BCI和OpenBMI数据集上分别实现了6.72%和2.23%的F1分数提高。我们证明了MIN 2Net提高了潜在表示中的判别信息。这项研究表明，使用该模型开发基于MI的BCI应用程序的新用户，而不需要校准的可能性和实用性。
2022-01-07 cs.AI cs.CV cs.LG
Emotion-robust EEG Classification for Motor Imagery
Technical University of Munich（慕尼黑工业大学）
脑机接口（BCIs）的发展正在通过在辅助系统中的使用来增强那些患有严重身体疾病的人的能力。实现这一目标的常用方法是通过运动想象（MI），它将大脑信号映射到某些命令的代码。脑电图（EEG）由于其非侵入性而优选用于记录脑信号数据。尽管具有潜在的实用性，但MI-BCI系统仍仅限于研究实验室。造成这种情况的一个主要原因是这种系统缺乏鲁棒性。正如两个团队在Cybathlon 2016期间所假设的那样，系统脆弱性的一个特殊来源是受试者情绪唤醒状态的急剧变化。这项工作旨在使MI-BCI系统对这种情绪扰动具有弹性。为此，受试者在记录EEG数据之前暴露于高唤醒和低唤醒诱导的虚拟现实（VR）环境。COVID-19的出现迫使我们修改我们的方法。我们没有训练机器学习算法来对情绪唤醒进行分类，而是选择对作为每个状态代理的对象进行分类。此外，MI模型针对每个受试者而不是每个唤醒状态进行训练。由于培训受试者使用MI-BCI可能是一个艰巨而耗时的过程，因此减少这种可变性并提高鲁棒性可以大大加快BCI支持的辅助技术的接受和采用。
2020-05-23 cs.HC cs.LG eess.SP
Comparison of the P300 detection accuracy related to the BCI speller and image recognition scenarios
在脑电图（EEG）记录场景中有几种协议，它们产生各种类型的事件相关电位（ERP）。P300模式是一种著名的事件相关电位，它是由听觉和视觉oddball范式和脑机接口拼写系统产生的。本研究在图像识别和脑机接口拼写实验两个实验情境下考察了P300和非P300的可分性。图像识别场景是一个实验，通过分析在观察图像时记录的EEG信号来检查参与者对之前向他们展示的图像的知识。为了做到这一点，三种类型的著名分类器（SVM，贝叶斯LDA，稀疏逻辑回归）被用来分类EEG记录在六类问题。将EEG记录的滤波和下采样（时间样本）作为分类P300模式的特征。同时，采用4、8和16通道不同的脑电记录和不同的试验次数，考虑不同的情况进行比较。通过增加试验和通道的数量来提高准确性。结果证明，在图像识别场景的情况下，对于不同的通道集，并通过使用不同的试验次数，观察到更好的准确性。由此可见，图像识别范式产生的P300模式比矩阵拼写器（BCI）更具有可分离性。
2019-12-24 cs.HC cs.LG eess.SP
Online Optimization of Stimulation Speed in an Auditory Brain-Computer Interface under Time Constraints
University of Freiburg（弗赖堡大学）；Radboud University（拉德堡德大学）
对大脑信号的解码记录，例如，使用机器学习的脑电图是脑机接口（BCI）的关键。BCI协议的刺激参数或其他实验设置通常根据文献来选择。解码性能直接取决于参数的选择，因为它们影响所引发的大脑信号，并且最佳参数是受试者依赖的。因此，一个快速和自动化的实验参数选择程序可以大大提高BCI的可用性。我们评估了一个独立的随机搜索和贝叶斯优化与随机搜索相结合的闭环听觉事件相关电位协议。我们的目标是找到单独的最佳刺激速度-也称为刺激起始速度（SOA）-最大限度地提高正则化线性判别分析的分类性能。为了使贝叶斯优化在噪声和在线BCI实验带来的时间压力下可行，我们首先使用离线模拟来初始化和约束内部优化模型。然后，我们在线评估了13名健康受试者的方法。我们可以证明，对于13个受试者中的8个，所提出的使用贝叶斯优化的方法成功地从多个评估的SOA值中选择了单独的最优SOA。然而，我们的数据表明，受试者的SOA参数的影响程度非常不同。这使得自动参数选择对于影响有限的受试者是不可行的。我们的工作提出了一种方法来利用个性化的实验方案的好处，并在听觉BCI评估。当应用于其他实验参数时，我们的方法可以增强BCI对不同目标群体的可用性-特别是如果个别疾病进展可能阻止使用标准参数。
2021-08-26 cs.LG q-bio.NC stat.AP
RatioWaveNet: A Learnable RDWT Front-End for Robust and Interpretable EEG Motor-Imagery Classification
Department of Electrical, Electronics and Informatics Engineering, University of Catania（电子、电子与信息工程系，卡塔尼亚大学）；Department of Engineering, University of Palermo（工程系，巴勒莫大学）
RatioWaveNet通过可学习RDWT前端增强Transformer，在BCI-IV-2a/2b上显著提升最难受试者的分类准确率，且计算开销小。
2025-10-22 cs.CV cs.HC cs.LG
Cross-Subject Deep Transfer Models for Evoked Potentials in Brain-Computer Interface
U.S. Air Force Academy（美国空军学院）；OmniScience LLC（OmniScience有限责任公司）
脑机接口（BCI）技术有可能改善世界各地数百万人的生活，无论是通过辅助技术还是临床诊断工具。然而，尽管该领域取得了进展，但目前消费者和临床可行性仍然很低。其中一个关键原因是，许多现有的BCI部署需要每个最终用户收集大量数据，这可能是繁琐的，繁琐的，并且容易出错。我们通过深度学习模型来解决这一挑战，当从多个受试者的足够数据中进行训练时，该模型提供了合理的开箱即用性能，并且可以通过迁移学习过程针对新的受试者进行定制。我们证明了我们的方法的基本可行性，重新利用一个旧的，但精心策划的脑电图（EEG）数据集和基准对几种常见的方法/技术。然后，我们将该数据集划分为迁移学习基准，并证明我们的方法显着减少了每个主题的数据汇集负担。这表明我们的模型和方法可能会改进BCI技术，并提高其消费者/临床可行性。
2023-01-29 cs.AI cs.HC cs.LG
Transfer Learning in Brain-Computer Interfaces with Adversarial Variational Autoencoders
Northeastern University（东北大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
我们引入对抗神经网络的表示学习作为一种新的方法，脑机接口（BCI）的迁移学习。所提出的方法旨在通过同时训练条件变分自编码器（cVAE）和对抗网络来学习主体不变表示。我们使用浅层卷积架构来实现cVAE，并将学习的编码器转移到从未见过的BCI用户数据中提取主题不变特征以进行解码。我们证明了我们的方法的概念验证的基础上记录在运动想象BCI实验的脑电图（EEG）数据的分析。
2018-12-17 cs.HC cs.LG eess.SP
Prototype-based Domain Generalization Framework for Subject-Independent Brain-Computer Interfaces
Korea University（高丽大学）；Chungbuk National University（忠北国立大学）
脑-机接口（Brain-computer interface，BCI）由于脑电（electroencephalography，EEG）的个体间和个体内的差异性而在实际应用中具有挑战性。通常，BCI系统需要校准技术来获得对象/会话特定的数据，以便在每次使用系统时调整模型。这个问题被认为是脑机接口的一个关键障碍，最近出现了一种基于领域泛化的新策略来解决这个问题。有鉴于此，我们集中精力开发一个EEG分类框架，该框架可以直接应用于未知领域（即主体）的数据，只使用以前从不同主体获得的数据。为此，在本文中，我们提出了一个框架，该框架采用开集识别技术作为辅助任务，从源数据集中学习特定于主题的风格特征，同时帮助共享特征提取器将看不见的目标数据集的特征映射为新的看不见的域。我们的目标是施加跨实例风格的不变性在同一个领域，并减少开放空间的风险，对潜在的看不见的主题，以提高泛化能力的共享特征提取器。我们的实验表明，使用域信息作为辅助网络提高了泛化性能。
2022-04-15 cs.HC cs.LG eess.SP
A Plug&Play P300 BCI Using Information Geometry
GIPSA-lab（GIPSA实验室）；CNRS（法国国家科学研究中心）；Grenoble Universities（格勒诺布尔大学）
提出了一种基于信息几何框架的事件相关电位（ERP）分类方法。通过一个新的估计的协方差矩阵，这项工作扩展了黎曼几何的使用，这是以前仅限于基于SMR的BCI，ERP的分类问题。与最先进的方法相比，这种新方法提高了性能，减少了校准所需的数据数量，并具有跨会话和主题的良好概括性。这种方法是用基于P300的游戏大脑入侵者记录的数据来说明的。最后，描述了一种在线和自适应的实现方式，其中BCI用从数据库导出的通用参数初始化，并不断适应个体，允许用户在保持高精度的同时玩游戏而无需任何校准。
2014-08-30 cs.HC cs.LG stat.ML
ISAM-MTL: Cross-subject multi-task learning model with identifiable spikes and associative memory networks
School of Future Technology, South China University of Technology（华南理工大学未来技术学院）；School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
本文提出ISAM-MTL模型，结合可识别脉冲表示与双向联想记忆网络解决跨被试EEG分类问题，提升了分类准确率与少样本学习能力，并降低了被试间的性能差异。
2025-01-30 cs.LG cs.NE q-bio.NC
Common Spatial Generative Adversarial Networks based EEG Data Augmentation for Cross-Subject Brain-Computer Interface
Shien-Ming Wu School of Intelligent Engineering, South China University of Technology（华南理工大学吴贤铭智能工程学院）
基于脑电信号的脑机接口（BCI）的跨学科应用一直受到个体差异大、特征复杂难以感知的限制。因此，收集每个用户的训练数据用于校准需要花费很长时间。即使使用大量与受试者无关的数据进行预训练的迁移学习方法在没有足够的受试者特定数据的情况下也不能解码不同的EEG信号类别。因此，我们提出了一个跨学科的EEG分类框架，基于生成对抗网络（GANs）的方法称为公共空间GAN（CS-GAN），它使用生成器和神经元之间的对抗训练来获得高质量的数据进行增强。该方法采用一个特殊的模块来保持脑电信号的空间特征，并增加不同类别之间的差异，并有两个损失进一步增强。通过使用足够的增强数据进行自适应训练，我们的跨主题分类准确率比Leave-one Subject-Out（LOO）测试显著提高了15.85%，比BCI竞赛IV数据集2a上的100个原始样本提高了8.57%。此外，我们设计了一种基于卷积神经网络（CNN）的分类方法作为基准，采用类似的空间增强思想，对运动想象脑电数据进行分类，取得了显著的效果。总之，我们的框架提供了一个有前途的方法来处理跨学科的问题，促进BCI的实际应用。
2021-02-08 cs.AI cs.LG eess.SP
Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI
University of Trieste（的里雅斯特大学）
基于运动图像的脑机接口（MI-BCI）有可能成为神经康复的突破性技术，为患有神经元疾病和残疾的患者重建非肌肉沟通和命令，但也在临床实践之外，用于视频游戏控制和其他娱乐目的。然而，由于所使用的EEG信号的噪声性质，可靠的BCI系统需要用于特征优化和提取的专门程序。本文比较了两种方法，共同的空间模式与线性判别分析分类器（CSP-LDA），广泛用于脑机接口提取特征的运动想象（MI）任务，和双增广拉格朗日（DAL）框架与三种不同的正则化方法：组稀疏与行组（DAL-GLR），双谱（DAL-DS）和l1范数正则化（DAL-L1）。对7名健康受试者进行了测试，每名受试者进行5次BCI-MI。初步结果表明，DAL-GLR方法优于标准CSP-LDA，误分类误差降低6.9%（p值= 0.008），并证明了DAL框架对MI-BCI的优势。
2020-10-13 cs.AI cs.LG cs.NE
CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet
University of Padova（帕多瓦大学）；National Centre for Neurology and Psychiatry（国家神经与精神病学中心）；National Inter-University Consortium for Telecommunications (CNIT)（全国大学间电信联盟（CNIT））；University of Coimbra（科英布拉大学）；Polytechnic Institute of Tomar（托马尔理工学院）
基于运动想象（MI）的脑机接口（BCI）系统正越来越多地用于为患有神经运动损伤的人提供替代的通信和控制手段，特别努力将这些系统带出受控的实验室环境。因此，准确地从脑信号分类MI，例如，从脑电图（EEG），是必不可少的，以获得可靠的BCI系统。然而，MI分类仍然是一项具有挑战性的任务，因为信号的特征在于低信噪比，高的受试者内和跨受试者的变异性。深度学习方法已经开始成为标准机器学习技术的有效替代方案，例如，滤波器组公共空间模式（FBCSP），以提取主体无关的功能，并提高跨学科分类性能的MI BCI系统。在本文中，我们首先回顾了使用深度学习进行MI分类的最新研究，特别关注它们的跨学科性能。其次，我们提出了DynamicNet，这是一个基于Python的工具，用于快速灵活地实现基于卷积神经网络的深度学习模型。我们展示了动态网络的潜力，通过实施EEGNet，一个行之有效的架构，有效的EEG分类。最后，我们比较了它的性能与FBCSP在4类MI分类在公共数据集。为了探索其跨学科的分类能力，我们采用了三种不同的交叉验证方案。从我们的研究结果，我们表明，DynamicNet实现的EEGNet优于FBCSP约25%，具有统计学显着差异时，应用跨学科验证方案。
2021-05-17 cs.CV cs.HC cs.LG
AGTCNet: A Graph-Temporal Approach for Principled Motor Imagery EEG Classification
De La Salle University - Manila（德拉萨大学马尼拉校区）；Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
本文提出AGTCNet，一种结合电极拓扑先验与图卷积注意力网络的运动想象脑电分类模型，以更小模型和更快推理在多个数据集上取得领先的受试者独立及特定分类准确率。
2025-06-26 cs.HC cs.LG
BCI decoder performance comparison of an LSTM recurrent neural network and a Kalman filter in retrospective simulation
Brown University（布朗大学）；Harvard Medical School（哈佛医学院）
使用线性卡尔曼解码器的皮质内脑机接口（iBCI）使瘫痪患者能够控制计算机光标，在虚拟键盘上连续点击打字，浏览互联网和使用熟悉的平板电脑应用程序。然而，需要进一步的进步来提供接近健全性能的支持iBCI的光标控制。最近的证据表明，非线性递归神经网络（RNN）可以在非人类灵长类动物（NHP）中提供更高性能的iBCI光标控制，我们使用经过多天多电极记录训练的长短期记忆（LSTM）RNN评估了人类运动皮层信号的预期光标速度解码。通过对来自三名BrainGate iBCI试验参与者的先前记录的皮质内信号进行模拟，我们展示了一种RNN，与卡尔曼解码器相比，它可以在基于高速光标的目标选择任务以及具有挑战性的小目标高精度任务中大幅增加每秒比特数。这些结果表明，应用于人类皮质内信号的RNN解码可以在连续的2-D光标控制中实现实质性的性能进步，并激励实时RNN实现用于四肢瘫痪个体的在线评估。
2018-12-24 cs.HC cs.LG
Spatial Filtering for EEG-Based Regression Problems in Brain-Computer Interface (BCI)
DataNova；National Chiao-Tung University（国立交通大学）；University of California San Diego（加州大学圣地亚哥分校）
脑电信号是脑机接口中的常用信号，但由于脑电信号容易受到伪迹和噪声的污染，在输入到机器学习算法进行分类或回归之前必须对其进行预处理。空间滤波器在脑机接口分类问题中被广泛用于提高脑电信号的信噪比，但在脑机接口回归问题中的应用却非常有限。本文提出了两个共同的空间模式（CSP）过滤器脑机接口的EEG为基础的回归问题，这是扩展的CSP过滤器的分类，利用模糊集。基于EEG的反应速度估计从一个大规模的研究，其中收集了143个会议的持续注意心理警觉任务的数据，从17个科目在5个月的时间内，实验结果表明，这两个建议的空间滤波器可以显着提高EEG信号的质量。当用于LASSO和k-近邻回归估计用户响应速度时，空间滤波器可以将均方根估计误差降低10.02- 19.77%，同时将与真实响应速度的相关性提高19.39- 86.47%。
2017-02-09 cs.HC cs.LG
Geometric Neural Network based on Phase Space for BCI-EEG decoding
Université Côte d’Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）；Université Paris-Saclay（巴黎萨克雷大学）；Universidade Federal do ABC（ABC联邦大学）；Paris Brain Institute（巴黎脑研究所）
本研究提出Phase-SPDNet架构，利用Augmented Covariance Method和SPDNet框架，仅需三个电极即可在MI解码中显著优于现有最先进DL架构，同时具备可解释性和低参数量。
2024-08-28 cs.AI cs.LG eess.SP
Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification
University of Campinas（坎皮纳斯州立大学）
目的：我们使用深度卷积神经网络（DCNN）对基于稳态视觉诱发电位（SSVEP）的单通道脑机接口（BCI）中的脑电图（EEG）信号进行分类，该接口不需要对用户进行校准。方法：将脑电信号转换为频谱图，并作为训练DCNN的输入，使用迁移学习技术。我们还修改并应用了一种数据增强方法SpecAugment，通常用于语音识别。此外，为了比较的目的，我们分类的SSVEP数据集使用支持向量机（SVM）和滤波器组典型相关分析（FBCCA）。结果如下：从微调过程中排除评估的用户数据，我们使用小数据长度（0.5 s），仅一个电极（Oz）和具有迁移学习，窗口切片（WS）和SpecAugment时间掩模的DCNN，从开放数据集中的35名受试者中获得了82.2%的平均测试准确度和0.825的平均F1分数。结论：DCNN结果优于SVM和FBCCA性能，使用单电极和小数据长度。迁移学习提供了最小的准确性变化，但使训练更快。SpecAugment带来了小幅性能改进，并成功与WS结合，产生了更高的准确性。意义：我们提出了一种新的方法来解决使用DCNN的SSVEP分类问题。我们还修改了一个语音识别数据增强技术，并将其应用到BCI的上下文中。所提出的方法超过了性能获得FBCCA和SVM（更传统的SSVEP分类方法）在BCI与小数据长度和一个电极。这种类型的BCI可用于开发小型和快速的系统。
2021-03-18 cs.AI cs.LG eess.IV
Transfer Learning with Active Sampling for Rapid Training and Calibration in BCI-P300 Across Health States and Multi-centre Data
Centro BIO UTEC（UTEC BIO中心）；UTEC；University of Campinas（坎皮纳斯大学）；University of Essex（埃塞克斯大学）
针对跨健康状态与多中心BCI-P300的异构数据迁移难题，提出基于Poison Sampling Disk的自适应迁移学习方法Active Sampling，有效提升了分类准确率、计算时间与训练效率。
2024-12-14 cs.AI cs.LG eess.SP
The 2026 PNPL Competition: Word Classification and Efficient Cross-Subject Generalisation in LibriBrain100
University of Oxford（牛津大学）；Maastricht University（马斯特里赫特大学）
2026 PNPL竞赛基于扩展的LibriBrain100数据集，设置单词分类的Deep与Broad赛道，以推进非侵入式BCI的跨主体泛化能力。
2026-09-04 cs.LG
Source-free Subject Adaptation for EEG-based Visual Recognition
Yonsei University（延世大学）；LG Uplus（LG U+）
本文主要研究基于EEG的视觉识别的主体自适应。它的目的是建立一个视觉刺激识别系统定制的目标主体的脑电样本是有限的，从源主体丰富的数据转移知识。现有的方法考虑的情况下，源主题的样本是在训练过程中访问。然而，由于隐私问题，访问个人生物数据（如EEG信号）通常是不可行的和有问题的。在本文中，我们介绍了一种新的和实际的问题设置，即无源主题适应，其中源主题数据不可用，只有预先训练的模型参数提供主题适应。为了解决这个具有挑战性的问题，我们提出了基于分类器的数据生成，以模拟EEG样本从源科目使用分类器的反应。使用生成的样本和目标主题数据，我们执行主题无关的特征学习，以利用不同主题之间共享的共同知识。值得注意的是，我们的框架是可推广的，可以采用任何学科独立的学习方法。在EEG-ImageNet 40基准测试的实验中，我们的模型带来了一致的改进，无论选择了与主题无关的学习。此外，我们的方法表现出良好的性能，即使不依赖于源数据，在5次拍摄设置下也能记录74.6%的top-1测试准确度。我们的代码可以在https://github.com/DeepBCI/Deep-BCI/tree/master/1_Intelligent_BCI/Source_Free_Subject_Adaptation_for_EEG上找到。
2023-01-20 cs.AI cs.CV cs.LG
TFOC-Net: A Short-time Fourier Transform-based Deep Learning Approach for Enhancing Cross-Subject Motor Imagery Classification
Ain Shams University（艾因夏姆斯大学）；Technical Research Center（技术研究中心）；The American University in Cairo（开罗美国大学）
本文提出TFOC-Net方法，通过优化STFT预处理、参数设置和均衡批处理策略训练CNN，在多个BCI竞赛数据集上显著提升跨被试运动想象分类准确率，并建立了免校准分类新基准。
2025-07-03 cs.HC cs.LG cs.NE
Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs
Huazhong University of Science and Technology（华中科技大学）；Shenzhen Huazhong University of Science and Technology Research Institute（华中科技大学深圳研究院）
提出基于对齐的对抗训练（ABAT），通过先进行EEG数据对齐再对抗训练，同时提升脑机接口分类器的准确性和鲁棒性，并在多个数据集和设置上验证其有效性。
2024-11-04 cs.AI cs.HC cs.LG
BrainForm: a Serious Game for BCI Training and Data Collection
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
BrainForm 是一款游戏化 BCI 训练系统，通过消费级硬件实现可扩展数据收集，验证了用户技能提升与持续参与，并提供了减少训练疲劳的指导。
2025-10-14 cs.HC cs.LG
Deep Transfer Learning for Error Decoding from Non-Invasive EEG
University Medical Center Freiburg（弗莱堡大学医学中心）；Alberts-Ludwigs-University Freiburg（阿尔伯特-路德维希-弗莱堡大学）
我们在侧翼任务实验（31名受试者）和在线BCI控制范式（4名受试者）中记录了高密度EEG。在这些数据集上，我们评估了迁移学习在深度卷积神经网络（深度ConvNets）错误解码中的使用。与正则化线性判别分析（rLDA）分类器相比，ConvNets在受试者内和受试者间解码方面都明显更好，受试者内的平均准确率为84.1%，未知受试者的平均准确率为81.7%（侧翼任务）。然而，这两种方法都不能在范式之间可靠地概括。ConvNets从数据中学习到的可视化特征显示了大脑活动的合理模式，揭示了不同类型错误之间的相似性和差异性。我们的研究结果表明，深度学习技术对于推断BCI应用中动作正确性的信息是有用的，特别是对于将预先训练的分类器转移到新的记录会话或主题。
2018-01-10 cs.HC cs.LG q-bio.NC
Meta-cognitive Multi-scale Hierarchical Reasoning for Motor Imagery Decoding
Dept. of Artificial Intelligence（人工智能系）；Korea University（韩国大学）
针对基于运动想象的脑电信号噪声与变异性问题，提出元认知多尺度分层推理框架，结合多尺度特征处理与内省不确定性估计，提升四类运动想象解码的精度与鲁棒性。
2025-11-11 cs.AI cs.LG
The largest EEG-based BCI reproducibility study for open science: the MOABB benchmark
Inria（法国国家信息与自动化研究所）；Université Paris-Saclay（巴黎-萨克雷大学）；Donders Institute（唐德斯研究所）；Radboud University（拉德堡德大学）；University of São Paulo（圣保罗大学）；Federal University of ABC（ABC联邦大学）；GeorgiaTech-CNRS IRL 2958（佐治亚理工学院-法国国家科学研究中心国际联合实验室2958）；Centralesupelec（中央理工-高等电力学院）；CEA（法国原子能和替代能源委员会）
本研究在36个开放EEG数据集上评估30个机器学习流水线，建立了BCI领域最大的可重复性基准MOABB，发现黎曼方法表现优越，为未来研究提供了透明基准。
2024-04-03 cs.AI cs.HC cs.LG
An embedding for EEG signals learned using a triplet loss
ENS Paris-Saclay（巴黎萨克雷高等师范学校）；Université Côte d’Azur（蔚蓝海岸大学）；INRIA（法国国家信息与自动化研究所）；Donders Institute for Brain, Cognition and Behaviour（唐德斯大脑、认知与行为研究所）；Radboud University（拉德堡德大学）
本文提出基于度量学习和ladder loss的EEG领域特定嵌入方法，通过迁移学习在14名受试者数据上验证其可行性，以最小校准需求实现对新受试者的有竞争力解码性能。
2023-03-23 cs.LG eess.SP
CAT-Net: A Cross-Attention Tone Network for Cross-Subject EEG-EMG Fusion Tone Decoding
针对普通话声调分类的挑战，提出融合EEG和EMG信号的跨被试多模态BCI解码框架CAT-Net，通过时空特征提取与交叉注意力融合及域对抗训练，在少通道下实现有声/无声言语声调的高精度分类及跨被试泛化。
2025-11-14 cs.LG cs.SD q-bio.NC
Rethinking Self-Training Based Cross-Subject Domain Adaptation for SSVEP Classification
School of Artificial Intelligence, Beijing University of Posts and Telecommunications（人工智能学院，北京邮电大学）；School of Computer Science and Technology, Beihang University（计算机科学与技术学院，北航）
本文提出了一种基于自训练的跨受体域适应方法，通过FBEA策略和CSST框架提升SSVEP分类性能。
2026-01-29 cs.LG
Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification
Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院（DGIST））
基于脑电（EEG）信号，特别是运动想象（MI）数据的脑机接口（BCI）已经受到了很多关注，并显示出在医疗保健和其他行业中设计关键技术的潜力。当受试者想象肢体运动时生成MI数据，并且MI数据可以用于辅助康复以及自动驾驶场景。因此，MI信号的分类对于基于EEG的BCI系统至关重要。最近，使用深度学习的MI EEG分类技术已经显示出比传统技术更好的性能。然而，由于受试者之间的差异性，看不见的受试者数据的稀缺性，以及低信噪比，提取鲁棒的特征和提高准确性仍然是具有挑战性的。在这种情况下，我们提出了一种新的双向Few Shot网络，它能够有效地学习如何学习看不见的主题类别的代表性特征，以及如何用有限的MI EEG数据对它们进行分类。该流水线包括从一组样本学习特征表示的嵌入模块、用于关键信号特征发现的关注机制、以及用于基于支持集和查询信号之间的关系得分进行最终分类的关系模块。除了统一学习的特征相似性和一个Few Shot分类器，我们的方法导致强调信息功能的支持数据相关的查询数据，这更好地概括了看不见的主题。为了进行评估，我们使用了BCI竞赛IV 2b数据集，并在20次分类任务中实现了9.3%的准确率提高，具有最先进的性能。实验结果证明了使用注意力的有效性和我们的方法的总体通用性。
2020-08-19 cs.LG eess.SP
A Deep Neural Network for SSVEP-based Brain-Computer Interfaces
Sabanci University（萨班哲大学）；Technical University of Munich（慕尼黑工业大学）
目的：脑机接口（BCI）拼写器中的目标识别是指通过脑电（EEG）分类来预测受试者想要拼写的目标字符。当每个字符的视觉刺激被标记有不同的频率时，EEG记录稳态视觉诱发电位（SSVEP），其频谱由目标频率的谐波主导。在这种情况下，我们解决了目标识别，并提出了一种新的深度神经网络（DNN）架构。方法：所提出的DNN处理多通道SSVEP与跨谐波，通道，时间的子带的卷积，并在完全连接层分类。我们测试了两个公开的大规模（基准和测试版）数据集，共包括105个主题，40个字符。我们的第一阶段训练通过利用所有主题之间的统计共性来学习全局模型，第二阶段通过利用个性来分别微调每个主题。结果如下：我们的DNN在两个数据集上实现了令人印象深刻的信息传送率（ITR），分别为265.23比特/分钟和196.59比特/分钟，仅需0.4秒的刺激。该代码可在https://github.com/osmanberke/Deep-SSVEP-BCI上获得。结论：所提出的DNN远远优于最先进的技术，因为我们的准确率和ITR率是这些数据集上有史以来最高的性能结果。重要性：由于其前所未有的高拼写ITR和完美的适用性，一般SSVEP系统，我们的技术在各种生物医学工程环境的BCI，如通信，康复和控制有很大的潜力。
2022-02-08 cs.LG eess.SP
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets
Imperial College London（帝国理工学院）；University of Bayreuth（拜罗伊特大学）；University of Vienna（维也纳大学）；Universite Paris-Saclay（巴黎萨克雷大学）；Inria（法国国家信息与自动化研究所）；CEA（法国原子能和替代能源委员会）；UVSQ（凡尔赛大学）；Reality Labs；University of Bordeaux（波尔多大学）；Cogitat Ltd.（Cogitat有限公司）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；National and Kapodistrian University of Athens（雅典国立卡波季斯特里安大学）；DCS Corporation（DCS公司）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Polish National Institute for Machine Learning (OPIUM)（波兰国家机器学习研究所（OPIUM））
迁移学习和元学习提供了一些最有前途的途径，可以解锁由生物信号数据驱动的医疗保健和消费者技术的可扩展性。这是因为目前的方法不能很好地概括人类受试者的数据，并处理从不同的异质收集的数据集的学习，从而限制了训练数据的规模。另一方面，迁移学习的发展将从现实世界的基准中受益匪浅，并立即得到实际应用。因此，我们选择脑电图（EEG）作为生物信号机器学习困难的范例。我们围绕诊断和脑机接口（BCI）设计了两个迁移学习挑战，这些挑战必须在低信噪比、受试者之间的主要差异、数据记录会话和技术的差异，甚至数据集中记录的特定BCI任务之间的差异的情况下解决。任务1集中在医学诊断领域，解决跨受试者的自动睡眠阶段注释。任务2以脑机接口（BCI）为中心，解决受试者和数据集之间的运动想象解码。BEETL竞赛有30多个参赛团队和3个获奖作品，引起了人们对深度迁移学习以及集合论和传统机器学习技术相结合以克服挑战的潜力的关注。这些结果为现实世界的BEETL基准设定了一个新的最先进的水平。
2022-02-14 cs.AI cs.LG eess.SP
SSVEP-BiMA: Bifocal Masking Attention Leveraging Native and Symmetric-Antisymmetric Components for Robust SSVEP Decoding
Harbin Institute of Technology（哈尔滨工业大学）；University of Macau（澳门大学）；The University of Hong Kong（香港大学）
针对SSVEP解码中传统方法时间窗口长、深度学习模型需被试特定微调的跨被试挑战，提出SSVEP-BiMA方法，协同利用原生和对称-反对称成分的双焦点掩蔽注意力，提升解码精度和鲁棒性，在公开数据集上优于基线。
2025-02-16 cs.LG
HappyFeat -- An interactive and efficient BCI framework for clinical applications
Sorbonne Universite（索邦大学）；Paris Brain Institute - ICM（巴黎脑研究所-ICM）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Inserm（法国国家健康与医学研究院）；AP-HP（巴黎公共援助医院）；Hopital Pitie Salpetriere（皮蒂耶-萨尔佩特里埃医院）
本研究提出面向临床的交互式开源BCI框架HappyFeat，通过整合GUI与参数自动化简化运动想象BCI实验，支持多特征对比选择，可提升时间受限场景下的BCI性能。
2023-12-13 cs.LG q-bio.NC
A Many Objective Optimization Approach for Transfer Learning in EEG Classification
Indian Statistical Institute（印度统计研究所）；University of Essex（埃塞克斯大学）
在脑机接口（BCI）中，由于受试者间脑电信号（EEG）的非平稳性，分类器的训练和测试使用来自同一受试者的EEG。当身体残疾瓶颈的自然方式执行一项任务，获取充足的训练数据是困难的，这实际上阻碍了分类器的训练。以前的作品已经解决了这个问题，通过概括的多个主题，包括测试主题之间的特征空间。这项工作的目的是在知识转移分类EEG的目标主题使用的分类器训练与EEG的另一个单位源主题。提出了一种多目标优化框架，其中获得用于在另一个维度中投影特征的最佳权重，使得单源训练的目标EEG分类性能与修改后的特征最大化。为了验证该方法，运动想象任务的BCI竞赛III数据集IVa的分类使用功率谱密度为基础的功能和线性支持向量机。几个性能指标，提高精度，灵敏度的投影空间的尺寸，评估所提出的方法的有效性。解决单一来源的培训问题，通过减少他人的援助，促进能力不同的个人独立生活。该方法消除了对多源受试者脑电信号的要求，适用于任何现有的特征提取器和分类器。源代码可在http://worksupplements.droppages.com/tlbci.html上获得。
2019-04-04 cs.HC cs.LG cs.NE
Pseudo-online framework for BCI evaluation: A MOABB perspective
Université Côte d’Azur (UCA)（蔚蓝海岸大学）；Centre Inria d’Université Côte d’Azur（蔚蓝海岸大学因里亚中心）
本研究扩展了离线模式的MOABB框架，引入空闲状态事件与重叠滑动窗技术实现伪在线评估，用nMCC和ITR在多MI数据集验证15年来的前沿算法，统计对比两种模式差异，为BCI分类算法提供更全面准确的性能评估。
2023-08-21 cs.AI cs.HC cs.LG
