基于多重正则化的知识迁移学习在跨学科运动想象脑电图分类中的应用

《Engineering Applications of Artificial Intelligence》：Multiple regularized knowledge transfer learning for cross-subject motor imagery electroencephalogram classification

　　跨主体运动想象EEG分类中提出MRKT方法，通过MMD框架结合四重正则化（类区分度、样本密度、参数置信度、伪标签置信度选择）解决标签与特征互补性不足及负迁移问题，实验验证其优于基线方法并提升新主体适应能力。

　　
非侵入式脑机接口（BCI）在运动想象（MI）场景中的应用面临显著挑战。主要问题源于个体间脑电信号（EEG）特征的非稳态特性，这导致传统跨主体分类方法存在两大核心缺陷：一是标签与动态特征之间的互补性缺失，二是伪标签累积误差引发的负迁移问题。针对上述瓶颈，黄乔梅、蔡子宽、罗天建团队提出MRKT（多重正则化知识迁移）学习方法，通过构建多维正则化框架实现跨个体MI-EEG分类性能的突破。

研究团队首先系统梳理了浅层域适应（SDA）与深度域适应（DDA）方法的发展脉络。SDA方法采用两阶段特征对齐策略，在EEG时频特征空间中通过协方差矩阵对齐实现分布匹配，典型代表包括基于黎曼流形对齐的MEKT方法。这类方法虽能有效降低跨个体分布偏移，但存在特征空间维度冗余、样本选择主观性强等局限性。DDA方法通过对抗训练同步优化特征提取器和判别器，如She等人提出的联合优化模型，虽能捕捉深层语义特征，却面临计算复杂度高、泛化性不足等问题。

MRKT方法的核心创新体现在四个正则化策略的协同优化机制。首先，构建基于最大均值离散度（MMD）的动态特征空间，通过黎曼流形切空间展开处理EEG信号的非线性、非稳态特性。其次，设计高类可分性正则化，在特征解耦过程中强化类别间的区分度，使模型能准确捕捉运动想象特有的脑电模式。第三，创新性引入全局密度与局部密度双重正则化，既保证样本分布的整体一致性，又维持个体差异的合理性。实验表明，这种双密度控制策略使跨个体特征对齐准确率提升23.6%。第四，开发基于k近邻的高置信伪标签筛选机制，通过构建目标域样本的密度聚类图，动态识别置信度最高的伪标签作为迁移学习的基础。

方法实现过程中特别关注三个关键环节：样本筛选机制、特征解耦策略、迁移效率优化。针对样本筛选，团队提出分层密度评估算法：首先通过核密度估计计算全局样本密度分布，再采用局部泰勒展开识别目标域中的低密度异常样本。实验数据显示，该机制可使无效样本剔除率达81.4%，有效提升后续特征学习的稳定性。在特征解耦方面，采用流形正则化与对抗损失结合的方式，既保持原始EEG信号的拓扑结构，又注入判别性信息。这种混合正则化策略在BCI Competition IV数据集上使特征相似度降低37.2%，而分类准确率提升19.8%。

迁移效率优化方面，团队设计了动态权重调整机制。通过计算源域与目标域特征分布的对称散度，实时调整不同维度的正则化权重。在WCCI 2020数据集的验证中，该机制使跨个体迁移效率提升42.3%，尤其在设备差异较大的场景下表现突出。值得关注的是，团队通过建立四维正则化评估体系，量化分析各类正则化的贡献度：类可分性正则化贡献率最高（占38.7%），其次是样本密度控制（27.4%），动态权重调整（22.6%）和伪标签筛选（13.3%）。

实验验证部分选取三个典型数据集进行对比分析。BCI Competition IV Dataset 1包含7名受试者的连续运动想象数据，测试结果显示MRKT方法在5-6秒短暂训练下，跨个体分类准确率达89.2%，较最优基线方法提升6.4个百分点。WCCI 2020数据集涵盖不同采集设备与场景的跨设备实验，MRKT方法在首次接触新设备时仍能保持86.7%的稳定分类性能，较传统方法提升14.5%。值得关注的是，在引入人为噪声干扰（信噪比降低至3dB）的极端条件下，MRKT通过动态权重调整机制，使分类准确率仍维持在78.3%，显著优于基线模型。

消融实验进一步验证了各正则化的协同效应。当移除类可分性正则化时，跨个体准确率下降11.8%；若去除样本密度控制模块，系统鲁棒性下降34.2%，验证了双密度控制的重要性。在伪标签筛选方面，实验表明采用k近邻（k=5）动态筛选策略，可使负迁移率从基线方法的21.3%降至8.7%。特别值得注意的是，当同时启用四类正则化时，模型在三个数据集上的平均提升幅度达19.6%，显著高于任意组合的正则化效果。

该研究为MI-BCI系统提供了新的技术范式。首先，建立动态特征空间映射模型，将EEG信号的非稳态特性转化为可处理的流形结构，为后续正则化策略的实施奠定基础。其次，提出四阶段协同优化框架：初始阶段通过流形对齐消除跨个体分布差异，中期通过双密度控制筛选优质样本，后期通过动态权重调整优化特征解耦，最终通过伪标签筛选机制确保知识迁移的准确性。这种分层处理机制有效解决了传统方法中"特征-标签-样本"三者的耦合问题。

在工程实现层面，团队开发了自适应校准模块（Adaptive Calibration Module, ACM）。该模块包含三个核心组件：特征空间对齐器（负责处理不同采样设备带来的时频偏移）、样本置信度评估器（基于改进的DBSCAN算法实现伪标签置信度量化）、动态权重调节器（采用改进的膜权重分配算法）。在福建师范大学脑机接口实验室的实测中，ACM模块使新设备部署时间从传统方法的4.2小时缩短至1.5小时，同时保持分类性能的稳定性。

该研究的重要启示在于：跨个体MI-EEG分类不仅是特征空间的映射问题，更是动态知识迁移的系统工程。研究团队通过构建"特征解耦-样本筛选-权重调节"的完整闭环，解决了长期困扰该领域的技术难题。特别是在多设备异构数据场景下，MRKT方法展现出的强大适应能力为临床级BCI系统的部署提供了可行性保障。

后续研究可沿着三个方向深入：首先，探索多模态融合策略，将EEG信号与眼动、肌电等多源数据进行联合优化；其次，开发轻量化迁移模型，以适应嵌入式设备的计算资源限制；最后，构建动态校准框架，实现跨个体、跨设备的实时自适应。这些方向的突破将推动MI-BCI系统从实验室走向临床应用，为运动障碍患者提供更可靠、便捷的康复工具。