新闻网讯 10月22日，人工智能与自动化学院伍冬睿教授团队发表于IEEE Trans. on Biomedical Engineering的论文“Transfer Learning for Brain-Computer Interfaces: A Euclidean Space Data Alignment Approach”获该刊2025年度最佳论文奖。这也是伍冬睿教授团队获得的第8个最佳论文奖。该奖由IEEE Trans. on Biomedical Engineering编辑部从该刊2020-2024五年间发表的全部1909篇论文中评出。该文目前SCI引用335次、谷歌学术引用472次，2020年起已连续6年入选ESI高被引论文。
脑机接口（Brain-Computer Interface, BCI）是通过在大脑与外部设备（计算机、机器人等）间建立直接连接通路，实现神经系统和外部设备间信息交互与功能整合。脑机交互是人机交互的终极手段，可帮助残疾人修复视觉、听觉等感知功能和运动功能，让正常人工作生活更加健康高效。
图为闭环脑机接口系统流程图。
脑机接口可以使用多种大脑信号。其中，脑电波(EEG) 有着安全、方便、经济的优点，是当前非侵入式脑机接口最常见的输入信号之一。
文章针对当前非侵入式脑机接口信号解码面临的挑战：为建立一个优秀的解码模型，脑机接口通常需要用户在每次使用前都进行校准以采集足量的带标注数据，而这个校准过程费时费力、影响用户使用兴趣。因此，如何减少甚至消除校准过程、实现即插即用，是脑机接口从实验室走向现实应用的一个关键挑战。迁移学习被认为是有望解决这个问题的关键技术，即使用其他辅助用户的标注数据来帮助新用户模型的建立。
由于用户间的个体差异，即不同用户对同一事件的神经反应显著不同，这些辅助数据并不能够直接用于新用户模型的建立，而是需要先进行数据的分布适配。本文提出一种无监督的分布适配方法（欧氏对齐；Euclidean Alignment, EA）来进行不同用户间的数据对齐。欧氏对齐把每个用户的EEG信号各自映射到一个新空间，使得映射后的用户在“平均协方差矩阵”这个二阶统计量上差异最小化，从而隐式地减少原分布的差异。
图为欧氏对齐算法介绍。
欧氏对齐具有简单、高效、完全无监督、应用场景广的优势，已被成功应用于13种不同的脑机接口范式，帮助团队获2021/2022/2024中国脑机接口比赛全国冠军、2023年全国亚军，央视新闻直播间采访报道。
图为欧氏对齐适用的脑机接口范式。
图为团队中国脑机接口比赛获奖与央视报道。
