P300拼写器的数据聚合策略：解码模型、历元平均、跨受试者集成与多通道模型

由于信噪比较低且受试者间差异显著，对于少量试次的脑电图（EEG）P300事件相关电位进行准确检测仍然具有挑战性。本研究系统比较了用于提升P300分类性能的数据聚合策略，并在一个包含10名受试者的数据集上，采用两种卷积神经网络架构（EEGNet和BaseCNN）以及支持向量机（SVM）进行了评估。我们比较了：（1）针对单次试验的受试者特异性模型与汇总通用模型；（2）采用5次和10次刺激重复的epoch平均；（3）将不同受试者对应为不同输入通道的多通道模型；（4）跨受试者平均；（5）混合（非受控）平均；（6）一种组合方法，即在所有参与者中每位受试者取$K$个试次；以及（7）由扩展单次试验epoch构成的时间偏移通道。解码性能通过信息传输率（ITR）进行量化，ITR基于二分类准确率计算。我们发现，单次试验的ITR并不实用（0.15--0.64比特/试次），而受控聚合能够提升性能。在无孔径记录中，采用每位参与者$K=3$个试次（30个通道）的跨受试者组合方法，结合多通道EEGNet可获得最高ITR：0.95比特/聚合决策；在Aperture数据上为0.97比特/聚合决策，接近聚合决策下二分类的理论极限。受控的跨受试者平均始终优于随机试次混合，而在保留受试者间结构信息时，多通道架构优于简单平均。这些发现有助于改进P300解码，并推动多受试者脑机接口（BCI）的实现。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚才执行的操作触发了该安全防护机制。可能触发此拦截的行为有多种，包括提交某个特定词语或短语、SQL 命令，或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您的访问被拦截。请在邮件中说明当此页面出现时您正在进行的操作，并附上本页底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.17.732982v1?rss=1

🏷️ P300拼写器 脑电图 事件相关电位 脑机接口 卷积神经网络 跨受试者解码