通过跨被试泛化与校准实现被试无关的想象言语检测

由于神经活动模式的显著变异性,在基于脑电图的想象言语解码中实现稳健的跨个体泛化仍然是一个主要挑战。本研究探讨了训练动态和轻量级被试特定适应如何影响神经解码框架中的跨被试性能。一种循环的跨被试训练方法,涉及每个被试更短的训练片段和频繁的被试间交替,在未见过的目标数据上实现了适度但一致的解码性能提升。此外,在被试校准的留一被试出方案下,仅使用10%的目标被试数据进行校准,准确率达到0.781,AUC达到0.801,证明了少样本自适应的有效性。这些发现表明,将循环训练与最小校准相结合,为开发可扩展、用户自适应的脑机接口系统提供了一种简单有效的策略,该策略平衡了泛化与个性化。