ISAM-MTL: Cross-subject multi-task learning model with identifiable spikes and associative memory networks

跨被试的脑电图（EEG）变异性会降低当前深度学习模型的性能，从而限制了脑-机接口（BCI）的发展。本文提出了一种基于可识别脉冲（IS）表示和联想记忆（AM）网络的多任务学习（MTL）EEG分类模型，称为ISAM-MTL。该模型将每个被试的EEG分类视为独立任务，并利用跨被试数据训练促进被试之间的特征共享。ISAM-MTL包括一个脉冲特征提取器，用于捕捉跨被试的共有特征，以及一个通过赫布学习训练的被试特定双向联想记忆网络，以实现高效且快速的被试内EEG分类。ISAM-MTL整合了学习到的脉冲神经表示与双向联想记忆，用于跨被试EEG分类。该模型采用标签引导的变分推理来构建可识别的脉冲表示，从而提高分类准确性。在两个BCI竞赛数据集上的实验结果表明，ISAM-MTL提高了跨被试EEG分类的平均准确率，同时减少了被试间的性能差异。此外，该模型还展示了少样本学习和EEG下可识别神经活动的特性，使得BCI系统的快速且可解释校准成为可能。

该论文旨在解决脑电图（EEG）在跨主体间的变异性对当前深度学习模型性能的负面影响，这一问题限制了脑机接口（BCI）的发展。这并不是一个全新的问题，但以往的方法在处理跨主体数据时未能有效提升分类准确性和减少性能差异。

论文提出了一种基于可识别脉冲（IS）表示和关联记忆（AM）网络的多任务学习（MTL）EEG分类模型——ISAM-MTL。关键思路在于将每个主体的EEG分类视为独立任务，并通过跨主体数据训练来促进特征共享。此外，模型结合了脉冲神经网络和双向关联记忆网络，利用Hebbian学习进行快速且有效的个体内部EEG分类。这种方法不仅增强了分类准确性，还提高了模型的解释性。

实验设计方面，作者使用了两个BCI竞赛数据集来验证模型的有效性，结果显示ISAM-MTL在跨主体EEG分类中显著提升了平均准确率并减少了主体间的性能差异。此外，该模型展示了少样本学习能力和可解释的神经活动特性，有助于加速BCI系统的校准。目前没有提及是否开源代码，但这些特性为未来的研究提供了新的方向，特别是在提高BCI系统的实用性和个性化方面。

近年来，在EEG信号处理和BCI领域，相关研究包括： 1. 'Deep Learning with Brain Waves: An Overview of Methods and Applications' - 概述了深度学习在EEG中的应用。 2. 'Cross-subject EEG Classification via Domain Adaptation' - 探讨了通过域适应方法解决跨主体问题。 3. 'Interpretable Neural Networks for EEG Analysis' - 研究了如何使EEG分析更加可解释。 4. 'Few-shot Learning for EEG-based BCI Systems' - 针对EEG的少样本学习进行了探索。 这些研究都试图从不同角度改善EEG信号处理的效果，而ISAM-MTL提供了一个新颖的解决方案，特别关注跨主体变异性和快速校准的问题。