基于深度学习的脑电信号解码研究综述

基于深度学习的脑电信号解码研究综述脑电信号（Electroencephalogram,EEG）是大脑神经元电活动在头皮表面的宏观体现，蕴含着丰富的神经生理与认知状态信息，在脑机接口、临床神经疾病诊断、认知科学研究等领域具有不可替代的应用价值。传统脑电解码方法高度依赖人工特征工程，需要领域专家根据经验提取时域、频域、空域特征，不仅特征设计成本高、泛化能力有限，还难以捕捉脑电信号中隐含的复杂非线性关联。近年来，深度学习技术凭借强大的端到端特征学习能力，为脑电信号解码领域带来了颠覆性变革，相关研究成果呈现爆发式增长，极大拓展了脑电信号的应用边界。一、脑电信号特性与解码任务分类脑电信号本身具有非平稳性、低信噪比、个体差异性强等固有特性，其幅值通常仅为微伏级别，极易受到眼动、肌电、工频干扰等噪声影响。同时，不同个体的脑电模式存在显著差异，同一受试者在不同时间、不同生理状态下的脑电特征也会发生波动，这些特性对解码模型的鲁棒性和泛化能力提出了极高要求。当前主流的脑电解码任务可分为四大类：第一类是事件相关电位解码，典型任务包括P300speller字符识别、运动想象电位分类、错误相关电位检测等，这类任务通常需要识别特定刺激范式下诱发的瞬态脑电响应模式；第二类是认知状态解码，涵盖疲劳检测、情绪识别、注意力水平评估、意识障碍诊断等场景，需要从连续脑电信号中提取与认知状态相关的稳定特征；第三类是病理信号解码，主要面向癫痫发作预测、阿尔茨海默病早期筛查、睡眠分期等临床应用，要求模型能够精准识别异常脑电模式；第四类是自然刺激解码，包括基于脑电的图像/语音重建、语义内容识别等前沿任务，致力于实现脑活动与外部感知信息的直接映射。二、深度学习在脑电解码中的主流模型架构（一）卷积神经网络的应用卷积神经网络（CNN）是脑电解码领域应用最广泛的模型之一，其局部权重共享特性能够有效捕捉脑电信号的时空域局部模式。早期研究中，研究者通常将一维脑电信号转换为二维频谱图或拓扑图输入CNN，通过卷积核提取不同频段、不同通道的关联特征。例如，2018年提出的EEGNet是专门针对脑电信号设计的轻量CNN架构，通过深度可分离卷积大幅减少模型参数，在运动想象分类、P300检测等多个任务上实现了优于传统方法的性能，且跨受试者泛化能力显著提升。针对脑电信号的多通道特性，空间卷积模块被广泛用于建模电极间的拓扑关联：部分研究采用可学习的空间注意力权重，自动加权不同脑区的通道贡献；还有研究结合脑电导联的物理位置信息，设计图卷积模块捕捉脑区之间的功能连接特征，在癫痫发作预测任务中准确率较传统CNN提升了8%以上。在时域特征提取方面，多尺度卷积核被用于捕捉不同时间跨度的脑电模式，例如用1×10的卷积核提取短时瞬态电位，用1×100的卷积核提取慢波节律特征，通过多尺度特征融合提升模型对不同类型脑电响应的适配性。（二）循环神经网络与序列建模脑电信号是典型的时间序列数据，循环神经网络（RNN）及其变体LSTM、GRU能够有效建模序列的时序依赖关系，因此被广泛应用于连续脑电信号解码任务。在睡眠分期场景中，LSTM模型能够捕捉睡眠阶段之间的过渡规律，结合CNN提取的单帧脑电特征，分期准确率可达到90%以上，远超传统的基于规则的睡眠分期方法。针对长序列脑电处理问题，研究者提出了双向LSTM和时序注意力机制，通过对历史和未来信息的双向建模，以及对关键时序片段的自动加权，在癫痫发作提前预测任务中实现了平均30分钟的预测窗口，误报率降低至每小时0.2次以下。近年来，Transformer架构凭借全局注意力机制在序列建模领域展现出强大性能，也逐渐被引入脑电解码研究。与RNN相比，Transformer能够有效捕捉长距离时序依赖，解决了RNN的长序列梯度消失问题。例如，有研究者将脑电信号分割为时间切片作为Transformer输入，通过自注意力机制建模不同时间切片之间的关联，在10类运动想象分类任务上实现了87%的准确率，较传统LSTM模型提升了12%。针对脑电数据量通常较小的问题，研究者还提出了面向脑电的预训练Transformer模型，通过大规模无标注脑电数据预训练学习通用特征，在小样本下游任务中仅需少量微调即可达到优异性能，有效缓解了脑电数据标注成本高的痛点。（三）生成模型与数据增强脑电数据标注成本极高，且患者病理数据、罕见认知状态数据往往难以获取，数据量不足是制约深度学习模型性能的关键瓶颈之一，生成对抗网络（GAN）、变分自编码器（VAE）等生成模型为解决这一问题提供了新的路径。早期研究主要通过生成模型合成特定类别的脑电样本，用于扩充训练数据集，例如在运动想象分类任务中，利用GAN生成的伪样本将训练集规模扩充3倍后，模型分类准确率提升了5%~10%。随着研究深入，生成模型的应用场景逐渐从数据扩充拓展到跨模态映射与跨域适配。在脑电-图像重建任务中，研究者设计了双向GAN架构，实现了从脑电信号到视觉刺激图像的端到端生成，在简单数字、人脸图像重建任务中，生成图像与真实刺激的结构相似度可达0.7以上。在跨受试者解码场景中，生成模型被用于学习不同受试者脑电特征的公共表示空间，通过域适应技术减少个体差异带来的分布偏移，无需目标受试者标注数据即可实现跨受试者迁移，在情绪识别任务中跨受试者准确率较传统方法提升了15%以上。三、当前研究面临的核心挑战尽管深度学习技术在脑电解码领域取得了显著进展，但实际应用落地仍面临诸多亟待解决的挑战。首先是模型可解释性不足问题：深度学习模型通常被视为“黑箱”，无法明确给出决策依据，而临床诊断、脑机接口控制等安全敏感场景对模型可解释性有极高要求，当前多数研究仅关注准确率指标，对模型学习到的特征与神经生理机制的关联研究不足，难以获得医疗领域的权威认可。其次是跨场景泛化能力受限：现有模型大多在严格控制的实验室环境下采集的数据上训练，当应用到真实场景时，环境噪声干扰、受试者状态波动、设备差异等因素都会导致模型性能急剧下降。例如，在实验室环境下准确率可达95%的运动想象解码模型，在用户日常生活场景中使用时准确率往往不足60%，无法满足实际应用需求。第三是小样本与低资源场景适配性差：罕见病诊断、特殊人群脑电解码等场景往往只有极少量标注数据，现有深度学习模型通常需要大量标注数据训练，在小样本条件下极易过拟合。尽管迁移学习、元学习等技术被用于缓解这一问题，但针对脑电信号特性的小样本学习算法仍缺乏系统性研究，不同任务之间的知识迁移机制尚未明确。四、未来研究方向与应用展望针对上述挑战，未来脑电解码领域的研究可从三个方向重点突破：一是可解释脑电解码模型研究，将神经科学先验知识融入模型架构设计，例如根据脑区功能分区设计模块化网络结构，开发特征与神经生理指标的关联分析工具，让模型决策过程可追溯、可解释，推动深度学习脑电解码技术在临床场景的合规应用。二是鲁棒性与泛化性提升技术研究，结合自监督学习、域适应、噪声鲁棒训练等技术，开发无需针对每个用户、每个场景重新标定的通用解码模型，降低应用门槛。三是多模态融合解码研究，将脑电信号与功能近红外光谱、眼动、肌电等其他生理信号融合，利用多模态信息的互补性进一步提升解码精度与稳定性。在应用层面，深度学习脑电解码技术未来将在多个领域产生深远影响：在医疗健康领域，可实现神经疾病的早期筛查、术后神经功能评估、认知障碍患者的辅助沟通；在脑机交互领域，有望推动消费