Спайковая адаптация фундаментальных моделей ЭЭГ для эффективных по калибровке межсубъектных интерфейсов мозг–компьютер
Spike-Based Adaptation of EEG Foundation Models for Calibration Efficient Cross-Subject Brain-Computer Interfaces
2026-09-14
SCID: 54.1/97nry8at
Discuss with AI
фундаментальные модели ЭЭГмежсубъектные интерфейсы мозг–компьютеркалибровка в режиме few-shotнейроморфные вычисленияадаптация на основе спайков
Figures from the paper
Abstract (AI)
Неинвазивные интерфейсы мозг–компьютер (BCI), основанные на электроэнцефалографии (ЭЭГ), обладают потенциалом для вспомогательной коммуникации, нейрореабилитации и взаимодействия человека с машиной. Однако межсубъектная вариабельность препятствует их внедрению, поскольку большинство систем требуют калибровки для каждого участника или дорогостоящего переобучения для новых пользователей. Фундаментальные модели ЭЭГ повышают переносимость, однако адаптация к последующим задачам зачастую остается вычислительно затратной для носимых BCI. Мы предлагаем фреймворк спайковой адаптации, объединяющий предварительно обученную фундаментальную модель ЭЭГ с легковесным нейроморфным модулем для межсубъектной персонализации. Фундаментальная модель извлекает переносимые латентные представления, тогда как событийно-управляемый спайковый модуль посредством разреженных вычислений улавливает специфичные для участника временные вариации. Фреймворк использует ограниченное число калибровочных испытаний без модификации предварительно обученного базового блока. Оценка проведена на четырех наборах данных ЭЭГ, включающих 175 участников и охватывающих парадигмы моторного воображения, P300/ERP, SSVEP и многосессионной зрительной стимуляции, с применением протоколов «оставь одного участника для тестирования», межсессионного переноса и обучения на небольшом числе примеров. Результаты сопоставлялись с полным дообучением, линейным зондированием, подходами трансферного обучения, легковесными адаптерами и нейроморфными моделями. Средняя межсубъектная точность составила 86,7%, а макро-F1 — 0,861; при использовании 10% калибровочных данных точность сохранялась на уровне 84,9%. По сравнению с полным дообучением предложенный метод сократил время адаптации на 87,6% и число обучаемых параметров на 98,9%, требовал 0,42 мДж на испытание для контура адаптации и ограничивал межсессионное снижение качества до 4,3 процентного пункта. Улучшения на уровне отдельных участников оставались статистически значимыми после поправки Холма–Бонферрони (p < 0,001). Эти результаты подтверждают перспективность эффективных по калибровке и ориентированных на экономию ресурсов межсубъектных BCI-систем, обеспечивая эффективное объединение фундаментальных моделей ЭЭГ с разреженной нейроморфной обработкой.
Key Findings
1
На четырёх EEG-датасетах с участием 175 человек и несколькими BCI-парадигмами метод достиг средней межсубъектной точности 86,7% и macro-F1 0,861.
2
По сравнению с полной дообучаемостью время адаптации сократилось на 87,6%, а число обучаемых параметров — на 98,9%; энергозатраты пути адаптации составили 0,42 мДж на испытание.
3
Метод ограничил ухудшение качества между сессиями 4,3 процентными пунктами; улучшения на уровне отдельных испытуемых оставались статистически значимыми после поправки Холма—Бонферрони (p < 0,001).
4
Предложенный метод объединяет предварительно обученную EEG foundation model с лёгким событийно-управляемым спайковым модулем для межсубъектной персонализации без изменения базовой модели.
5
При использовании только 10% калибровочных данных метод сохранил точность 84,9%, демонстрируя эффективную калибровку для новых испытуемых.
Research Object
ЭЭГ-основанные интерфейсы мозг–компьютер для межсубъектного декодирования в парадигмах моторного воображения, P300/ERP, SSVEP и многосессионного зрительного восприятия
Research Subject
Межсубъектная персонализация с эффективной калибровкой, включая качество декодирования, эффективность адаптации, использование вычислительных ресурсов и устойчивость между сессиями
Publication Details
Publication Date
2026-09-14
Journal
Publisher
ISSN
Cited by
0
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
EEGNet: компактная сверточная нейронная сеть для интерфейсов мозг–компьютер на основе ЭЭГ2018
Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ2017
Обзор алгоритмов классификации для интерфейсов «мозг–компьютер» на основе ЭЭГ: обновление за 10 лет2018
Неинвазивные интерфейсы мозг—компьютер: современное состояние и тенденции2024
Подходы глубокого обучения для интерфейсов мозг–компьютер на основе моторного воображения по данным ЭЭГ: современные модели, проблемы обобщения и новые тенденции2025