技术负责人：万波
技术联系人：万波 联系电话：/ 邮箱：wanbo@xidian.edu.cn
关键词：人机交互、脑-机接口、稳态视觉诱发电位、迁移学习
项目概况：
（一）项目背景
本项目针对脑-机接口系统中训练校准成本高、用户适应性差等核心难题，依托基于稳态视觉诱发电位的跨域特征迁移学习技术开展攻关，旨在突破传统脑-机接口系统依赖大量用户特异性数据训练的限制，满足医疗康复、智能家居控制等非侵入式脑-机交互的迫切需求，对神经工程产业智能化升级及改善残障人士生活品质、提升人机交互普惠性具有重大战略意义。
（二）项目简介
本项目“脑-机接口中稳态视觉诱发电位的跨域特征迁移学习方法研究”聚焦脑-机接口中训练校准成本高的难题，通过跨域特征迁移学习手段，实现了最小化训练成本，开发出高信息传输率的脑-机接口系统，已在脑-机接口拼写输入、轮椅控制和机械臂控制等系统中完成验证，有效解决了脑-机接口系统训练时间长、个体适应性差的问题，为非侵入式脑-机接口领域提供了解决方案，具有重要示范意义。
（三）关键技术与创新点
本项目采用跨域特征迁移学习框架，围绕SSVEP公共模型参数迁移、Chirp-VEP与SSVEP间特征迁移，以及用户间可迁移模型参数构建三个方面展开技术攻关，重点突破跨目标、跨用户的特征提取和迁移难题，通过时-频-相特征融合以及可迁移模板信号构建，在最小化多目标SSVEP脑机接口系统的训练成本的情况下，实现与目前先进方法相当的信息传输率，以及新用户使用系统前不再需要训练的目标，实现了脑机接口即插即用与高效交互能力。以下是本项目涉及的关键技术：
关键技术一：基于SSVEP公共模型参数的跨目标迁移学习方法
为了减少多目标SSVEP-BCI系统使用前的训练时间，提出了一种基于SSVEP公共模型参数的跨目标迁移学习方法。该方法仅需少量源刺激的SSVEP信号，即可学习所有目标SSVEP信号的公共模型参数。通过将公共模型参数迁移到任意目标SSVEP进行特征提取，能够显著降低SSVEP-BCI系统的训练与校准成本。
图一
关键技术二：基于Chirp-VEP公共模型参数的跨目标迁移学习方法
为了最小化多目标SSVEP-BCI系统的训练校准成本，本文提出了一种将Chirp-VEP的公共模型参数迁移到SSVEP-BCI中的跨目标特征迁移学习方法，使用从单个Chirp-VEP信号中学习得到的公共模型参数用于SSVEP的特征提取，从而最小化训练校准时间。
图二
关键技术三：基于域泛化的SSVEP跨用户迁移方法
为了使得新用户无训练使用多目标SSVEP-BCI系统，提出了基于域泛化策略的跨受试者迁移方法。基于域泛化策略中域不变特征挖掘方法，从源受试者数据学习域不变空间滤波器和模板信号，并直接迁移到目标受试者，而无需使用目标受试者的脑电数据。
图三
本项目创新点包括：
首次提出基于SSVEP公共模型参数的跨目标迁移学习方法，解决传统SSVEP-BCI系统依赖大量目标刺激训练数据、校准成本高的问题。
设计基于Chirp-VEP的跨目标特征迁移机制，突破多目标SSVEP-BCI系统需重复校准的行业瓶颈，实现单个源刺激即可适配不同目标刺激。
开发基于域泛化的跨用户SSVEP-BCI框架，实现新用户“零训练”即可使用系统，显著降低脑机接口部署成本（用户校准时间缩短100%）。
技术成果清单：
序号 | 成果类型 | 具体内容 |
1 | | 基于源刺激数据迁移的SSVEP刺激目标识别方法（CN202311560068.0） 基于受试者迁移的SSVEP脑机接口目标识别方法（CN202310914035.5） 面向SSVEP-BCI的监督域适应跨受试者迁移方法（CN202411187114.1） 基于样本数据增强的稳态视觉诱发电位脑电特征解码方法（ CN202411139502.2） 基于时间局部加权的锁相时移数据增强方法（CN202410394532.1） 基于稳态视觉诱发电位的连续单词拼写方法（CN202211150854.9） |
2 | 知识产权 | 无 |
3 | 标准/规范 | 无 |
4 | 其他 | 实验数据集 |
技术成熟度：
概念验证 原理样机 工程样机 中试 产业化
合作方式：
联合研发 技术入股 转让 授权（许可） 面议
