编辑推荐：
作为一篇开创性的研究论文，本文提出并验证了EEG-TriNet++，一个针对脑机接口(BCI)中运动想象(MI)脑电(EEG)信号分类的突破性深度学习架构。该模型整合了卷积空间-频谱编码器、双向LSTM(BiLSTM)和Transformer头部，并创新性地引入了类视觉Transformer的分块标记化(patchewise tokenization)、神经架构搜索(NAS)以及元学习(MAML)机制，旨在同时解决EEG信号的信噪比低、非平稳性及受试者间差异巨大等核心挑战。实验证明其在受试者内及留一受试者外(LOSO)两种协议下均取得领先性能，为开发无需频繁校准、可适应新用户的高效能、可泛化BCI系统提供了坚实的技术路径。
1. 引言
脑机接口（BCI）为运动功能障碍者提供了与外部设备直接通信的新可能，其中基于运动想象（MI）的范式因其直观性和非侵入性而备受关注。脑电图（EEG）是MI-BCI中最常用的信号模态，但EEG信号固有的低信噪比、非平稳性及显著的受试者间变异性，严重制约了MI系统的可靠性与实用性。现有深度学习模型虽在EEG解码上取得进展，但仍普遍面临泛化能力差、计算效率低及缺乏新用户快速适应机制等瓶颈。为了克服这些局限，本文提出了EEG-TriNet++框架。
2. 相关研究
该领域的研究经历了从传统信号处理方法（如共同空间模式CSP结合线性判别分析LDA或支持向量机SVM）到深度学习模型的演变。早期工作如DeepConvNet、EEGNet展示了卷积神经网络（CNN）直接从原始EEG数据中学习特征的潜力。随后，混合模型如ConvLSTM尝试整合时空特征。近年来，Transformer架构（如EEGFormer）及其与CNN的混合模型（如CLTNet）开始用于建模通道间全局依赖。同时，互学习、对比学习、领域自适应等方法被用于提升模型鲁棒性。然而，多数现有模型仍需要大量受试者特定数据校准，且计算成本较高，难以在资源受限的实时场景中部署。EEG-TriNet++的创新在于将神经架构搜索（NAS）与模型无关的元学习（MAML）集成到一个统一的多分支架构中，以同时优化准确性、效率和跨受试者适应性。
3. 方法：EEG-TriNet++ 架构
该模型是一个模块化、分层的深度架构，其设计灵感源于MI-EEG信号的多尺度特性：毫秒级的细粒度频谱模式、秒级演化的事件相关去同步/同步（ERD/ERS）动态以及跨通道的分布式皮层活动。
- •
核心组件：模型包含五个关键部分，用于应对不同的信号处理挑战：卷积空间-频谱编码器提取通道和频率特异性模式；双向长短期记忆网络（BiLSTM）建模时间动态；基于分块的标记化策略将BiLSTM输出分割成重叠片段（P1, …, PN），其步长s小于片段大小p，并转换为嵌入向量：zi= We· vec(Pi) + be；轻量级Transformer编码器捕获全局上下文关系；以及一个MAML元学习模块实现快速受试者适应。
- •
神经架构搜索（NAS）：采用一个复合损失函数?NAS= λ1?task+ λ2?latency+ λ3?params来联合优化关键超参数（如BiLSTM隐藏层大小dh、Transformer深度L、片段大小p和步长s），以平衡分类精度（?task，交叉熵）、推理延迟（?latency）和模型大小（?params）。
- •
元学习快速适应：采用模型无关的元学习（MAML）策略，学习一个能够快速适应新用户的模型初始化参数θ。对于每个受试者任务??i，通过少量梯度步进更新得到适应后的参数θi′ = θ ? α?θ???i(θ)，然后元目标是在所有任务上最小化损失以更新初始参数：θ ← θ ? β?θ∑i???i(θi′)。
4. 实验与结果
EEG-TriNet++在两个具有不同采集协议、参与者多样性和类别配置的公开MI数据集上进行了评估，包括受试者内和留一受试者外（LOSO）两种协议。实验结果表明，该模型在两种设置下均实现了优越的性能，在受试者内任务中准确率达到79.1%和78.6%，在LOSO设置下达到72.4%和71.3%，超越了多种先进基线方法。消融研究证实了模型中每个模块（卷积编码器、BiLSTM、Transformer、NAS、MAML）的贡献。模型在包括传统的困难区分（如脚部与舌头想象）在内的所有MI类别上都表现出了平衡且高精度的分类能力。
5. 结论
EEG-TriNet++通过在一个统一框架内集成卷积、循环和基于注意力的模块，并辅以NAS和元学习进行增强，推动了鲁棒且可适应的MI解码技术的发展。该模型特别适合于辅助神经技术领域的实际部署，并为开发通用的、基于EEG的脑机接口解决方案开辟了新的方向。
