TBME 2025 | 华中科技大学、中关村学院团队提出跨脑电设备迁移学习解码方法

主要观点总结

该文章介绍了在非侵入式脑机接口（BCI）研究中，不同EEG头戴设备间电极数量、布局的差异导致的源域与目标域数据结构不一致的问题，是现有迁移方法难以直接应用的关键挑战。华中科技大学等团队提出的SDDA框架，通过空间蒸馏和分布对齐策略，实现了跨设备迁移学习，提高了EEG分类的解码准确率。

关键观点总结

关键观点1: 问题背景与挑战

随着非侵入式脑机接口研究的进展，EEG头戴设备的多样性导致不同设备间数据结构的差异，成为现有迁移方法的瓶颈。

关键观点2: SDDA框架的引入

SDDA框架通过空间蒸馏和分布对齐策略，解决跨设备迁移学习的难题，使得低通道脑电帽也能学习高通道的空间表征。

关键观点3: 空间蒸馏策略

SDDA利用高通道设备作为“老师”，将其看到的大脑空间信息传递给低通道设备，实现空间语义的传递，突破以往只能使用公共通道的限制。

关键观点4: 分布对齐策略

SDDA通过输入、特征、输出三层的分布对齐策略，系统性处理数据分布差异，缓解跨设备训练中的多重不一致性。

关键观点5: 实验验证与结果

文章在多个数据集上进行了实验，包括运动想象和P300数据集，覆盖离线无监督域适应和在线有监督域适应场景，SDDA框架显著超越了现有方法，显示出其优秀的建模能力。