大脑是人体的中央控制器，具有高度的认知、学习、推理和决策能力，解码脑神经信号的动态变化是脑科学研究重要方向之一。日前，南京工业大学科研团队在脑电信号解码领域取得突破，助力脑疾病的诊治、类脑智能技术的发展。相关研究成果“基于自适应多模知识迁移矩阵机的脑电信号分类”在人工智能国际顶级期刊《 IEEE神经网络与学习系统汇刊》在线发表。
论文通讯作者、南京工业大学计算机科学与技术学院副教授杭文龙介绍道，在自发脑电信号识别，通常需要20-30分钟的校准时间，用户容易疲劳，对于残障患者特别不友好，阻碍了机器学习方法在临床实践中的应用。借助于其他受试者已有的脑电数据建立迁移学习模型，是一种有效解放人力的途径。
毋庸讳言，不同受试者、不同设备在不同环境等参数的影响下，采集的电脑数据不尽相同，这会给脑电学习模型的训练过程造成干扰，影响其在临床中的实际应用。正是因为不同的受试者的脑电数据之间存在差异，一定程度上影响了模型的解码性能。
科研人员在研究中建立了自适应选择迁移学习机制，试图解决上述问题。在构建迁移学习模型时，需要利用借助于其他受试者脑电数据来训练分类器，“但传统的迁移分类器对不同受试者的脑电数据不加判断，一股脑儿地都用，我们的研究尝试给迁移分类器赋予智慧，让它进行自主判断，做到有选择地利用不同受试者的脑电数据。”杭文龙解释道。
较之传统迁移分类器，他们的分类器能够通过所提出的自适应选择机制，确保选择的受试者的脑电数据不会对分类器的训练带来负面干扰，选择性地利用可靠的受试者脑电数据，排除不可靠的受试者的数据，建立自适应迁移分类模型，提升脑电分类器的解码能力。
杭文龙表示，脑电信号自然的呈现二维数据（矩阵）形式，分类器模型直接对其学习，增强了模型对脑电数据结构层面信息学习与迁移能力。他们进一步设计了一种矩阵分类器，利用这种矩阵分类器能够挖掘数据的结构相关信息，可以广泛应用在医院、科研等机构中，助力脑疾病检测的发展。
相比于现有的脑电解码模型，他们的研究提出在矩阵分类模型中引入自适应选择迁移机制同时，设计了一种可靠的自适应多源域迁移学习方案，有效地避免了负迁移效应。“在公共运动想象脑电数据以及实验室采集的残障患者脑电数据开展实验验证，我们的方法较基线方法分类识别率提升了7%左右，分别取得了86.61%以及87.19%的分类识别率。”杭文龙说。
相关论文信息：https://doi.org/10.1109/TNNLS.2022.3220551