用于运动意象解码中受试者自适应脑电图基础模型的堆叠 LoRA

脑机接口 (BCI) 的脑电图 (EEG) 解码面临着重大挑战：主体间的巨大差异限制了有效的跨主体泛化。因此，实际系统仍然很大程度上依赖于从头开始训练的特定主题模型，并且需要单独的重新校准。脑电图基础模型最近已成为一种有前途的替代方案；然而，即使是大型预训练模型也不能简单地用作固定特征提取器，并且仍然需要额外的适应才能可靠地应用于下游任务。在这项工作中，我们通过有针对性的适应策略来应对这一挑战。基于最新的 EEG 基础模型（例如 REVE、LaBraM 和 LUNA），我们研究了不同的低秩适应策略对运动想象分类的影响。我们提出了一个框架，在结构上将主题不变的知识与特定于主题的神经特征解耦：每个适应层的低秩更新被分成一个全局适配器，在所有主题上联合训练，以及特定于主题的适配器，每个适配器吸收个体的可变性。为了评估每条路径的贡献，我们比较了三种适应策略：（i）特定于主题的 LoRA（ii）全局 LoRA 和（iii）结合了全局适配器和主题特定适配器的堆叠 LoRA。 BCI竞赛 IV-2a、PhysioNet Motor Imagery 和临床 Zuo2025 基准的实验表明，Stacked LoRA 有效地减轻了受试者间的变异性，在大多数主干和数据集组合中实现了最佳准确性。我们的分析进一步表明，全局路径和特定主题路径之间的最佳平衡取决于目标人群：共享适配器足以满足大型、多样化的队列，而在临床记录的高会话间变异性下，特定主题的适应是决定性的。