GRAFT-EEG: Gauge-Aware Physical Field Transport for Cross-Dataset Motor-Imagery EEG

📄 arXiv: 2610.23620v1 📥 PDF

作者: Ying Zhou, Mengting Liu

分类: cs.LG, eess.SP

发布日期: 2026-10-16

备注: Under review at ICLR 2027

💡 一句话要点

提出GRAFT-EEG以解决跨数据集运动想象EEG解码问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 脑机接口 EEG解码 运动想象 跨数据集 信号处理 机器学习 神经科学

📋 核心要点

  1. 现有的EEG解码方法在跨数据集应用中未能有效处理电极布置和参考变化带来的观察算子影响。
  2. 本文提出了一种去除活动集公共参考的量规的方法，通过模板运动引导场传输原生掩膜以实现目标统计盲转移。
  3. 在五个数据集的实验中，所提方法的平衡准确率达到了60.865%，显著优于传统方法的52.684%。

📝 摘要（中文）

跨数据集EEG解码通常将电极布置、参考和活动传感器的变化视为表示转移，然而这些变化也会影响观察算子。本文研究了一种目标统计盲转移的方法，该方法在没有目标信号、标签或经验统计的情况下进行拟合，仅通过电极坐标实例化固定的预测算子。所提方法去除了活动集公共参考的量规，并通过模板运动引导场传输每个原生掩膜。源拟合的谱分类器作为决策的锚定，而有界状态空间模型（SSM）残差则为次要部分。实验结果显示，该动态方法在五个留一数据集的目标中达到了60.865%的平衡准确率，相较于52.684%的严格清洁5/5 BIOT，提升显著。

🔬 方法详解

问题定义：本文旨在解决跨数据集EEG解码中由于电极布置和参考变化导致的观察算子影响，现有方法未能有效应对这些变化。

核心思路：提出了一种去除活动集公共参考的量规的方法，通过模板运动引导场传输原生掩膜，进行目标统计盲转移，从而实现更准确的EEG解码。

技术框架：整体架构包括去除公共参考的量规、通过模板运动引导场传输掩膜、源拟合的谱分类器和有界状态空间模型（SSM）残差。主要流程为：首先去除公共参考，然后通过模板引导场进行掩膜传输，最后利用谱分类器进行决策。

关键创新：最重要的技术创新在于去除了活动集公共参考的量规，并通过模板运动引导场实现了目标统计盲转移，这一方法与现有方法的本质区别在于其对观察算子的重新定义。

关键设计：在参数设置上，采用了源拟合的谱分类器作为决策锚定，同时引入了有界状态空间模型（SSM）作为次要部分，以增强模型的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在五个留一数据集的实验中，所提动态方法达到了60.865%的平衡准确率，相较于传统方法的52.684%提升了8.182个百分点，且在所有目标中均表现出积极效果。此外，在四个EEGPT清洁目标中，所提方法的描述性均值为61.520%，显示出良好的性能。

🎯 应用场景

该研究的潜在应用领域包括脑机接口、神经康复和脑电图信号分析等。通过提高跨数据集EEG解码的准确性，该方法能够促进不同实验条件下的EEG信号解读，进而推动相关技术的实际应用和发展。

📄 摘要（原文）

Cross-dataset EEG decoding often treats montage, reference, and active-sensor changes as representation shift, although they also alter the observation operator. We study target-statistics-blind transfer: fitting receives no target signal, label, or empirical statistic, and electrode coordinates only instantiate a fixed prediction operator. method removes the active-set common-reference gauge and transports each native mask through a template motor leadfield. A source-fitted spectral classifier anchors the decision; a bounded state-space-model (SSM) residual is secondary. We establish restricted identifiability and an operator-perturbation bound. Across five leave-one-dataset-out targets (253 participants), dynamic method achieved 60.865% equal-target balanced accuracy versus 52.684% for strict-clean 5/5 BIOT (hierarchical difference +8.182 points; 95% CI +6.382 to +10.196; positive in every target). On four EEGPT-clean targets, the descriptive means were 61.520% and 59.057%. In four post-hoc exact same-parent tests, FULL exceeded coordinate-basis, matched-spectrum, row-shuffled, and wrong-anatomy controls by 9.959, 9.698, 11.241, and 3.985 points, respectively (all 95% CIs excluded zero; Holm-adjusted P<0.001). A separate 60-participant same-paradigm evaluation retained a positive physical-operator contrast (+4.029 points; +2.338 to +5.773), whereas dynamic--static was inconclusive; its preregistered status is partial confirmation rather than unrestricted external validation. The SSM added +1.059 points (+0.013 to +1.892). Claims remain bounded to five binary motor-imagery domains and the tested operators.