Render EEG-Based BrainComputer Interfaces Calibration-Free: Trade Space for Time in EEG Decoding

Maohua Liu

doi:10.1109/OJEMB.2026.3667029

Render EEG-Based BrainComputer Interfaces Calibration-Free: Trade Space for Time in EEG Decoding

2026-01-01

0

PRE

AI

DOI：10.1109/OJEMB.2026.3667029

原文链接

原文求助

摘要

En 中文

目标：基于脑电图（EEG）的脑机接口（EEG BCIs）在神经康复、临床评估和辅助技术方面具有广泛的应用。然而，其实际部署受到用户特定校准的严重限制，这需要为每个用户进行耗时数据收集和模型重训练，显著降低了可用性。这种对校准的依赖源于传统的“一模型适用所有”策略：依赖单一通用模型处理所有数据复杂度，如用户变异性。当其有限的泛化能力不足时，必须花费时间进行校准以适应模型。方法：为解决此限制，我们提出一种“以空间换时间”的无校准EEG解码策略：不针对每个用户调整单一模型，而是维护一个紧凑模型池，包括通用模型和多个有偏模型，每个有偏模型专精于解码特定类型的用户模式。对于新输入，系统根据数据特征自动选择最合适的模型，实现无需重训练的即时适应。紧凑深度学习模型使此设计可行，支持快速切换和低存储成本，这在大型架构中不切实际。结果：在多个公开EEG数据集上的实验表明，所提策略的性能与基于用户的解码相当：在一个数据集上略高（0.7672 vs. 0.7601），在另一个上几乎相同（0.7568 vs. 0.7572），在第三个上略低（0.8804 vs. 0.8888）。结论：这些结果证明，我们的方法有效消除了校准同时保持精度，为EEG BCIs提供了一种实用且可扩展的替代方案。该框架在fMRI和fNIRS等其他神经影像模态中也有潜在应用。

Keyword:

Brain modeling

Electroencephalography

Calibration

Adaptation models

Decoding

Data models

Computational modeling

Load modeling

Accuracy

Computer architecture

BCI

EEG decoding

calibration

deep learning

Render EEG-Based BrainComputer Interfaces Calibration-Free: Trade Space for Time in EEG Decoding

摘要

期刊

机构

引用论文