无需校准的在线检测技术：应用于可穿戴式运动想象脑机接口

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Calibration-Free Online Detection in Wearable Motor Imagery Brain-Computer Interfaces

　　

摘要：

由于依赖多通道脑电图（EEG）设备且校准过程耗时较长，运动想象脑机接口（MI-BCIs）在实际应用中仍面临诸多挑战。为了解决这些问题，我们提出了一种无需校准即可进行在线解码的可穿戴系统，该系统采用轻量级、少通道的EEG头带，具备便携性、易用性和快速设置的特点。具体而言，我们首先从100名健康受试者中收集了大量数据，构建了一个大规模的可穿戴MI-EEG数据集，用于训练一个与受试者无关的通用模型。随后，我们开发了一种基于卷积神经网络（CNN）的时域卷积网络（CTCNet），用于实现在线运动想象检测，该网络在保持高解码性能的同时降低了计算复杂度。此外，我们还引入了一种监督式自训练（SST）策略，该策略利用标记的在线数据逐步微调预训练的通用模型，从而实现无需离线校准的脑机接口（BCI）操作。共进行了四次在线实验，涉及25名健康受试者（实验II-IV）和10名中风患者（实验V）。采用SST策略后，通用模型的准确率从最初的69%提升到首次更新后的81%，第二次更新后进一步提高至86%，超过了针对特定受试者的模型（80%）。中风患者也表现出类似的提升趋势。模拟实验进一步证实了通用模型相较于从零开始训练的模型的优越性。这些研究结果表明，基于SST和CTCNet的可穿戴MI-BCI系统在在线运动想象检测方面具有显著效果，并为中风患者的运动功能恢复带来了巨大潜力。