近日，脑机团队李景聪等人的研究成果“A Novel Semi-supervised Meta Learning Method for Subject-transfer Brain-computer Interface”被SCI期刊Neural Networks（影响因子: 9.657, 中科院一区top）录用。本论文于2022年6月22日投稿，2023年3月28日录用。
脑机接口技术的出现让人类大脑与外部设备之间进行直接通信成为可能。受限于脑信号解码模型的性能,现有脑机接口系统仍不成熟。传统的脑信号解码模型主要依赖监督学习方法，需要从目标被试上采集较多的训练数据才有可能训练一个堪用的脑信号解码模型。然而，高质量的带标签的脑信号数据较稀缺且收集耗时，特别是部分范式的脑信号数据标签依赖于手工和专业知识。此外，由于外部环境、受试者生理与心理状况等因素的影响，不同被试者脑信号数据存在较大的差异性。由于被试间较大的个体差异性，根据已有被试数据所训练的脑信号解码模型在新的被试身上表现较差。因此，当前脑机接口研究所面临的问题是如何将现有被试的脑信号解码模型迁移到新的被试者，使之能够较准确地解码新被试的脑信号，我们称之为被试迁移问题。
为了解决或部分解决上述的被试迁移问题，我们将半监督学习和元学习方法相结合，提出了一种基于半监督元学习的脑电信号被试迁移解码方法；该方法适用于不同的脑机接口范式，包括事件相关电位检测、情绪识别和睡眠分期任务，并且在多个公开数据集上进行了对比实验；与没有使用元学习的方法相比，所提出的方法在事件相关电位检测和情绪识别范式的性能提升来10%，在睡眠范式中也取得了3.9%的提升。如图所示，基于半监督元学习的被试迁移脑电解码算法包括三个步骤：1)使用源被试者的带标签样本数据预训练一个骨干网络，得到每个类别的中心(C1/C2)；2)将目标被试的无标签样本输入到经过预训练的骨干网络中，获得每个样本的分类概率及其到类别中心的距离，根据概率和距离的阈值筛选出具有较高置信度的样本；3)将所筛选的高置信度样本与少量带标签样本结合，对骨干网络进行微调校准，形成新的类别中心(D1/D2)，从而获得了一个适用于目标被试的新网络。
撰稿：李景聪
审稿：潘家辉
标签：
