TCPL：基于任务条件的提示学习方法，用于少样本跨受试者运动想象脑电图（EEG）解码

《Frontiers in Neuroscience》：TCPL: task-conditioned prompt learning for few-shot cross-subject motor imagery EEG decoding

　　针对脑机接口中EEG解码的跨主体适应难题，本文提出TCPL框架，整合任务条件提示模块、时空卷积网络与Transformer，通过元学习实现少样本快速适应。实验表明TCPL在多个公共数据集上显著优于基线模型，准确率最高达83.1%，且在噪声、电极减少等鲁棒性测试中表现优异，验证了其高效跨主体适应的有效性。

　　脑机接口（BCI）技术依赖于对脑电图（EEG）信号的准确解码，特别是在运动想象（MI）任务中，其潜力在神经康复、辅助沟通和智能神经假肢领域尤为突出。然而，MI EEG解码面临诸多挑战，包括个体间信号差异显著、训练数据有限以及模型适应性不足等问题。传统的特征提取方法如共空间模式分析（CSP）或频域滤波，往往难以有效捕捉EEG信号中的复杂时空依赖关系。近年来，深度学习方法通过从原始信号中自动学习多级特征，显著提升了MI EEG解码的性能。然而，即使是最先进的深度模型，在实际BCI部署中也面临在面对未见过的个体时需要大量校准数据的问题，这限制了其在临床和日常应用中的可扩展性和实用性。

为了解决这些问题，本文提出了一种新的框架——任务条件提示学习（Task-Conditioned Prompt Learning, TCPL）。TCPL结合了任务条件提示（Task-Conditioned Prompt, TCP）模块与混合时间卷积网络（Temporal Convolutional Network, TCN）和Transformer结构，在元学习框架下进行联合优化。TCP模块将个体差异编码为提示标记，而TCN负责提取局部时间动态，Transformer则捕捉全局跨通道依赖关系。通过这种方式，TCPL能够在极少数校准样本的情况下实现快速适应，同时保持对新个体的良好泛化能力。

TCPL的核心理念是将个体间差异视为隐含的任务条件，并通过可学习的提示标记来显式建模这些差异。这种方法不仅允许模型在不修改主干网络参数的情况下进行个性化，还提供了参数高效的个性化机制。此外，提示标记可以动态调整模型的特征提取过程，使其能够适应不同个体的EEG模式。这种设计使得模型在面对未见过的个体时，可以快速调整，而不必重新训练整个网络，从而提升了系统的灵活性和适应性。

实验部分在三个广泛使用的公开数据集上验证了TCPL的性能：GigaScience、PhysioNet和BCI Competition IV 2a。结果表明，TCPL在所有数据集上均表现出色，特别是在少样本跨个体适应任务中，其准确率显著高于现有方法。例如，在GigaScience数据集上，TCPL的平均准确率为82.7% ± 1.5%（p < 0.01），在PhysioNet MMIDB数据集上为80.6% ± 1.7%（p < 0.05），在BCI2a数据集上为82.1% ± 1.4%（p < 0.01）。这些结果表明，TCPL在处理跨个体适应任务时，具有显著的优势，能够有效捕捉可迁移的EEG特征，同时保持模型的稳定性和泛化能力。

进一步的实验分析显示，TCPL在极端低样本量的情况下（如1-shot）仍然能够保持较高的准确率，这表明其在少样本适应任务中具备较强的鲁棒性。例如，在1-shot情况下，TCPL的准确率为65.3%，远高于DeepConvNet和EEGNet的相应表现。此外，TCPL在引入高斯噪声和减少电极数量的实验中，也表现出较强的鲁棒性。在GigaScience数据集上，TCPL在SNR为10 dB和5 dB的噪声条件下，准确率分别为78.6%和73.4%，而基线模型在低SNR条件下的表现明显下降。在减少电极数量的实验中，TCPL在仅使用16个电极时仍能保持74.5%的准确率，远高于其他基线模型。

TCPL的性能优势主要归因于其任务条件提示模块（TCP）和混合TCN-Transformer主干网络的协同作用。TCP模块能够从少量校准样本中生成个性化的提示标记，这些标记动态调整模型的特征表示，使其能够捕捉个体特定的EEG模式。同时，TCN模块有效提取局部时间动态，而Transformer模块则建模全局跨通道依赖关系。这种混合架构使得TCPL能够在有限数据的情况下，同时保持局部和全局特征的稳定性，从而提升整体性能。

为了进一步验证各模块的贡献，本文还进行了消融实验。结果显示，去除TCP模块会导致准确率显著下降，表明其在跨个体适应中的关键作用。单独使用TCN或Transformer时，虽然也能取得一定效果，但不如TCPL的整体表现。消融实验还揭示了TCPL架构在不同任务和数据集中的适用性，表明其在实际BCI应用中的广泛前景。

尽管TCPL在少样本跨个体适应任务中表现出色，但其仍存在一些局限性。首先，TCPL的性能依赖于支持集的质量。如果支持集中的样本存在噪声或伪影，可能会影响提示标记的生成，进而影响模型的适应效果。其次，当前的提示设计假设固定数量的提示标记和预设的标记维度，这在面对显著的神经动力学差异或不同电极数量时可能不够灵活。未来的研究可以探索动态提示大小或自适应标记选择策略，以进一步提升个性化能力。此外，Transformer模块的计算成本随着电极数量和序列长度的增加而增加，这在处理高密度EEG信号或实时BCI应用时可能成为瓶颈。因此，未来的工作可以考虑模型压缩、高效的注意力机制或剪枝策略，以优化计算效率。

综上所述，TCPL为个性化EEG解码提供了一个可扩展、灵活且高效的解决方案。通过显式建模个体差异，并结合元学习框架，TCPL能够在有限数据的情况下实现快速适应，同时保持对新个体的良好泛化能力。这不仅在技术层面具有创新性，也为理解如何从有限神经数据中提取可适应的特征提供了科学洞见。未来的研究可以进一步扩展TCPL到其他认知范式、多模态神经生理数据以及实时在线BCI场景，以探索其更广泛的应用潜力。