通过跨域迁移学习增强基于模板的 SSVEP 解码

目的：本研究旨在建立一种通用迁移学习框架，通过利用跨域数据迁移来提升基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）的性能。方法：我们改进了最先进的基于模板的 SSVEP 解码，通过引入基于最小二乘变换（LST）的迁移学习，以利用跨多个域（会话、受试者以及 EEG 导联配置）的校准数据。主要结果：研究结果验证了 LST 在跨域迁移已有数据时消除 SSVEP 变异性的有效性。此外，基于 LST 的方法取得了显著高于标准的任务相关成分分析（TRCA）方法及非 LST 朴素迁移学习方法的 SSVEP 解码准确率。意义：本研究展示了基于 LST 的迁移学习在各种情形下利用跨受试者和/或设备的已有数据的能力，并深入探究了其原理与行为。所提出的框架在校准数据有限时显著提升了相对于标准 TRCA 方法的 SSVEP 解码准确率。其在校准缩减方面的性能可促进即插即用的基于 SSVEP 的 BCI 及进一步的实用应用。