脑卒中患者中基于病理感知的时序校准与生理学引导目标精炼的路动力学EEG解码：PA-TCNet
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
脑卒中患者通过跨主体电脑脊神经谱图（EEG）解码运动想象（MI）脑机接口（BCI）对于运动康复至关重要，但病变相关的异常时序动力学和显著的患者间异质性常常削弱泛化能力。现有的适应方法容易受病理性慢波活动和不稳定目标域伪标签的误导。为解决这一挑战，我们提出PA-TCNet，这是一种具有生理学引导目标精炼的病理感知时序校准框架，用于脑卒中运动想象解码。PA-TCNet集成了两个协调组件。Pathology-aware Rhythmic State Mamba（PRSM）模块将EEG时空特征分解为缓慢变化的节律背景和快速瞬态扰动，将融合后的病理背景注入选择性状态传播，以更有效地捕捉异常时序动力学。Physiology-Guided Target Calibration（PGTC）模块构建源域传感器运动区域感兴趣模板，施加生理学一致性约束并动态精炼目标域伪标签，从而提高适应可靠性。在两个独立的脑卒中EEG数据集（XW-Stroke和2019-Stroke）上的留一主体实验结果显示，分别达到了66.56%和72.75%的平均准确率，优于当前最先进的基线方法。这些结果表明，联合建模病理时序动力学和生理约束伪监督可为个性化术后MI-BCI康复提供更稳健的跨主体初始化。实现的代码已公开于https://github.com/wxk1224/PA-TCNet。
引用
@article{arxiv.2604.16554,
title = {PA-TCNet: Pathology-Aware Temporal Calibration with Physiology-Guided Target Refinement for Cross-Subject Motor Imagery EEG Decoding in Stroke Patients},
author = {Xiangkai Wang and Yun Zhao and Dongyi He and Qingling Xia and Gen Li and Nizhuan Wang and Ningxiao Peng and Bin Jiang},
journal= {arXiv preprint arXiv:2604.16554},
year = {2026}
}