SpellerSSL：面向拼写器脑机接口的 P300 聚合自监督学习
SpellerSSL: Self-Supervised Learning with P300 Aggregation for Speller BCIs
预印本 · 尚未经过同行评审
基于脑电的 P300 拼写器脑机接口受低信噪比、泛化差和校准耗时困扰。作者提出 SpellerSSL，先用聚合策略提升信噪比，再用定制的 1D U-Net 主干在跨领域与同领域脑电数据上预训练，随后用轻量 ERP-Head 分类器微调做 P300 检测。在公开 II-B 数据集上，同领域自监督学习以 7 次重复达到 94% 字符识别率和 21.86 bits/min 的信息传输率，结合 P300 聚合后校准量减少 60% 而识别率相当。该工作为预印本，已被 NeurIPS 2025 Data on the Brain & Mind 工作坊接收。
基于脑电图（EEG）的P300拼写器脑机接口（BCI）面临三大主要挑战：低信噪比（SNR）、泛化能力差以及校准耗时。我们提出SpellerSSL，一个将自监督学习（SSL）与P300聚合相结合的框架，以解决这些问题。首先，我们引入一种聚合策略以提升SNR。其次，为实现训练中的泛化，我们采用定制的1D U-Net骨干网络，并在跨域和域内EEG数据上对模型进行预训练。随后，预训练模型使用轻量级ERP-Head分类器进行微调以用于P300检测，从而将学到的表征适配到受试者特定数据。我们在校准时间上的评估表明，将聚合策略与SSL相结合可显著减少每位受试者的校准负担，并提高跨受试者的鲁棒性。实验结果表明，SSL在域内和跨域均能学到有效的EEG表征，其中域内方法在公开的II-B数据集上仅用7次重复即达到94%的最先进字符识别率，并取得最高21.86 bits/min的信息传输率（ITR）。此外，域内SSL结合P300聚合在保持相当字符识别率的同时，将所需校准规模减少了60%。据我们所知，这是首个将SSL应用于P300拼写器的研究，凸显了其在提升拼写器BCI效率与泛化能力方面的潜力，并为面向P300拼写器BCI的EEG基础模型铺平了道路。代码可在以下网址获取：https://github.com/Emotiv/SpellerSSL-NeurIPS2025
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Signal Processing · arxiv.org