可解释模糊建模揭示P300脑机接口中神经发达人群与典型人群的表征差异
信号处理
2026-04-29 v1 人机交互
机器学习
摘要
P300脑机接口（BCI）广泛用于通信，但人群异质性可能改变用于解码的神经模式。先前工作主要在信号或性能水平上检查此类差异，而解码器学习的表征结构则鲜有探讨。在本研究中，我们提出一种可解释的模糊时空框架，用于P300分类，并用于分析阿尔茨海默症（ALS）、自闭症（AUT）和典型人群（NT）之间的人群层面的差异。该模型采用带可学习原型的时空模糊滤波器，实现分类和重建特定人群的模糊中心。实验在ALS和NT子集（来自bigP3BCI）以及BCIAUT-P300基准上进行，以受试者内为设置。所提出的模型在多个深度学习基准中实现了竞争性能。更重要的是，重建的模糊中心揭示了人群依赖性差异在波形形态和表征几何方面的系统性差异。点统计分析识别出人群之间存在显著的时间差异，包括与标准P300窗口重叠的区间，低维嵌入显示部分人群特定原型组织有所分离。这些结果表明，P300-BCI的人群异质性不仅体现在解码性能上，也体现在模型学习的判别性结构中。该框架提供了一种可解释的人群感知P300-BCI分析与设计方法。
引用
@article{arxiv.2604.24765,
title = {Interpretable Fuzzy Modeling Reveals Population-Level Representation Differences in P300 Brain Computer Interfaces Across Neurodivergent and Neurotypical Cohorts},
author = {Xiaowei Jiang and Sudong Shang and Adrian Wilkinson and Michael L. Platt and Da Xiao and Bening Cao and Thomas Do},
journal= {arXiv preprint arXiv:2604.24765},
year = {2026}
}