arXiv cs.AI· Zhentao He, Ziwei Wang, Dongrui Wu·· 14 小时前AI 评分20
KDHNet：面向少校准 SSVEP 解码的知识驱动混合网络
KDHNet: A Knowledge-Driven Hybrid Network for Limited-Calibration SSVEP Decoding
AI 导读
KDHNet 将知识驱动的解析处理与数据驱动的表征学习结合，用于少校准条件下的 SSVEP 解码。该方法先用 TDCA 与 TRCA 提取判别性成分，再经可学习子带加权融合，由 SSVEPformer 解码器完成分类。在三个公开数据集的被试内评估中，KDHNet 在 15 个窗口设置中的 14 个以及全部 10 个校准比例设置下取得最高平均准确率和信息传输率。
正文 · AI 翻译
摘要：基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）可实现高信息传输速率，但通常需要充足的受试者特定校准数据才能可靠解码。解析空间滤波器在数据有限时有效，但其线性形式限制了表征能力。深度模型能学习更灵活的表征，但在校准数据稀缺时容易过拟合。我们提出 KDHNet，将知识驱动的解析处理与数据驱动的表征学习相结合。经过滤波器组预处理后，级联的任务判别成分分析（TDCA）和任务相关成分分析（TRCA）提取具有判别性且试次可复现的成分。随后，可学习的子带加权融合频谱信息，SSVEPformer 解码器学习用于分类的时间与频谱表征。对于跨受试者解码，目标引导的最小二乘变换利用每类一个带标签的目标试次来对齐源试次。在三个公开数据集上进行了大量实验，涵盖受试者内和受试者间协议、五个分析窗口以及多种校准比例。在受试者内评估中，KDHNet 在 15 个窗口设置中的 14 个以及全部十个校准比例设置中取得了最高的平均准确率和信息传输速率。在受试者间评估中，KDHNet 取得了最佳或次佳性能，且校准数据越少，增益通常越大。消融研究表明，估计得到的 TDCA 投影在固定时比从解析或随机初始化进行优化时表现更好。将固定知识先验与可训练神经模块相结合，对于低校准 SSVEP 解码是有效的。该框架支持更实用、更稳健且即插即用的 BCI。代码可在 此 https URL 获取。
| 评论： | 12 页，7 幅图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.33058 [cs.CV] |
| （或 arXiv:2610.33058v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33058 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ziwei Wang [查看电子邮件]
[v1]
2026 年 10 月 19 日星期一 09:53:55 UTC（789 KB）
来源：arXiv cs.AI · arxiv.org