CFSPMNet：用于中风患者脑电运动想象解码的跨受试者傅里叶引导空间块 Mamba 网络
机器学习
2026-05-12 v1 人工智能
计算机视觉与模式识别
摘要
运动想象脑电（MI-EEG）解码为中风后康复提供了一条非侵入式途径，但由于病理性神经重组改变了任务相关的 EEG 动力学、非周期性活动、局部兴奋性、跨区域协调以及单次 trial 级别的脑状态上下文，跨患者使用仍然困难。这使得从源域学习到的 MI 表示对于未见患者不可靠。为了解决这个问题，我们提出了 CFSPMNet，这是一个跨患者自适应框架，将中风后 MI-EEG 建模为潜在神经状态组织。CFSPMNet 将傅里叶重组状态 Mamba 网络（FRSM）与共享-私有原型匹配（SPPM）相结合。FRSM 将每个 trial 表示为潜在的生理 token 序列，在傅里叶域中重组 token 状态，并使用傅里叶衍生的 trial 上下文来引导 Mamba 状态空间传播。SPPM 通过将语义置信度与共享-私有生理一致性相结合来改进目标伪标签更新，从而过滤掉置信度高但生理上不一致的目标预测。在两个中风 MI-EEG 数据集上的留一受试者实验表明，CFSPMNet 优于具有代表性的基于 CNN、Transformer、Mamba 和自适应的基线，在 XW-Stroke 上达到了 68.23% 的平均准确率，在 2019-Stroke 上达到了 73.33%，比最强竞争者分别提升了 5.63 和 8.25 个百分点。消融、敏感性、特征对齐、伪标签选择和神经生理学可视化分析进一步支持了傅里叶域 token 状态重组和校准伪标签更新的作用。这些结果表明，潜在神经状态建模可以改善面向康复的跨患者 BCI 解码。代码可在 https://github.com/wxk1224/CFSPMNet 获取。
引用
@article{arxiv.2605.10111,
title = {CFSPMNet: Cross-subject Fourier-guided Spatial-Patch Mamba Network for EEG Motor Imagery Decoding in Stroke Patients},
author = {Xiangkai Wang and Yun Zhao and Dongyi He and Qingling Xia and Gen Li and Xinlai Xing and Yuchi Pan and Bin Jiang},
journal= {arXiv preprint arXiv:2605.10111},
year = {2026}
}