面向实时BCI的基于行为数据的 rotary 克榖振荡重构神经层
信号处理
2026-05-15 v1 人机交互
机器学习
摘要
脑电图（EEG）信号高度易受干扰，导致信噪比低，使从中提取有意义的神经信息具有挑战性。干扰子空间重构（ASR）是EEG基BCI应用中最广泛使用的数据滤波技术之一，因其实时适用性而受青睐。ASR通过在滑动窗口内的主成分（PC）空间进行重构来实现无干扰信号的重构。然而，ASR性能严格依赖于其阈值参数——错误的阈值风险在干扰同时移除任务相关神经特征。此外，由于PC是所有通道的线性组合，PC空间的子空间重构可能改变底层数据结构，潜在地丢弃关键神经信息。为此，我们提出nASR，一种新型端到端可训练的Keras层，联合优化干扰消除和下游解码。nASR引入两个可训练阈值参数：K控制PC方差空间中的干扰检测，L量化特征扩散以定位主要贡献干扰的通道，实现基于通道的选择性重构，保留干净通道信息。包括5个模型变体（m01-m05）的消融研究，在BCI Competition IV数据集1的两个受试者上进行评估，表明nASR变体在测试分类指标上 consistently 优于传统ASR，同时实现6-8倍的推理时间降低，使nASR成为实时BCI应用的强有力候选者，要求低延迟和高解码性能。
引用
@article{arxiv.2605.14941,
title = {nASR: An End-to-End Trainable Neural Layer for Channel-Level EEG Artifact Subspace Reconstruction in Real-Time BCI},
author = {Shantanu Sarkar and Jose L. Contreras-Vidal},
journal= {arXiv preprint arXiv:2605.14941},
year = {2026}
}
备注
Preprint. Submitted to IEEE SMC 2026 (under review)