脑机接口的合成数据生成：概述、基准测试与未来方向
机器学习
2026-05-20 v2 人工智能
信号处理
摘要
深度学习在各大领域取得变革性进展，主要归功于大规模高质量训练数据的驱动。相比之下，脑机接口（BCI）的发展受限于数据稀缺、异构且涉及隐私的神经记录。生成符合生理学规律的合成脑信号因此成为缓解数据稀缺、提升模型泛化性及支持数据高效 BCI 开发的有前景的策略。本综述提供了关于 BCI 合成脑数据生成的全面综述，涵盖方法学分类、基准实验、评估指标、关键应用及未来方向。我们系统地将现有生成方法归纳为四类：信号转换型、特征型、模型型及翻译型生成，并讨论其特征、优势与局限性。进一步，我们在四种 BCI 范式（运动意象、癫痫发作检测、稳态视觉诱发电位、听觉注意检测）上对代表性脑信号生成方法进行基准测试，以客观比较其下游效用。我们还总结了从多个角度（信号真实性、生理学合理性、下游效用、隐私保护）评估生成脑信号的原则。最后，我们讨论当前方法的潜力与挑战，并勾勒出通向准确、数据高效、通用且隐私友好 BCI 系统的未来研究方向。基准代码已发布于 https://github.com/wzwvv/DG4BCI。
引用
@article{arxiv.2603.12296,
title = {Synthetic Data Generation for Brain-Computer Interfaces: Overview, Benchmarking, and Future Directions},
author = {Ziwei Wang and Zhentao He and Xingyi He and Hongbin Wang and Tianwang Jia and Jingwei Luo and Siyang Li and Xiaoqing Chen and Dongrui Wu},
journal= {arXiv preprint arXiv:2603.12296},
year = {2026}
}
备注
33 pages, 8 figures