EEG-Conformer for EEG Decoding: A Participant-Wise Evaluation and Ablation Study Across Three Datasets

人类大脑是一个持续轰鸣的、由电活动驱动的引擎，在庞大的神经元网络中发射着微小的信号。为了在不打开头颅的情况下倾听这种对话，科学家们使用了一种被称为脑电图（EEG）的方法。他们在头皮上放置一个传感器帽，以捕捉这些微弱的电波涟漪。其目标是通过解读这些模式来解码大脑正在思考或从事的行为，这一领域被称为脑机接口。多年来，研究人员一直依赖标准的计算机程序，这些程序通常基于卷积神经网络，将这些杂乱的信号转化为指令。这些程序擅长识别局部模式，例如出现在头部某个特定位置的特定节奏。然而，大脑也是一个存在远程连接的地方，一个区域的活动可能会影响遥远的另一个区域。为了捕捉这一点，一种被称为 Transformer 的新型计算机模型被引入了。它旨在同时观察全局，通过连接远距离的信号来理解更大的语境。科学家们面临的一个重大问题是，向这种简单的局部模式匹配中加入这种复杂的、长程的思维方式，究竟是真的有所帮助，还是仅仅增加了系统的不必要负担。

来自全北大学（Konyang University）的一个研究小组致力于通过一项细致的、扎根于实际的研究来回答这个问题。他们并没有发明一台新机器；相反，他们采用了名为 EEG-Conformer 的现有模型——该模型结合了局部模式匹配与长程思维——并对其进行了严格的压力测试。他们想看看这种额外的复杂性是否真正提高了读取大脑的能力，或者较旧、较简单的模型是否同样出色。他们还测试了添加来自小型运动传感器（加速度计）的数据是否有助于计算机更好地理解大脑，或者这些额外信息是否只是噪声。为此，他们收集了一组来自 48 名健康志愿者的全新记录。每个人佩戴一个带有 19 个头皮传感器和 3 个身体运动传感器的头戴设备。志愿者完成了三项简单的任务：睁眼坐姿、闭眼坐姿以及长时间举起手臂。研究人员以极高的速度记录了这些脑波，每秒捕捉 500 个电活动的快照。

研究人员随后将这些数据输入计算机模型，以观察它们在多大程度上能准确猜出人正在进行的任务。在一次性的单次测试中，具有长程思维能力的复杂模型表现略好于旧有的简单模型，准确率达到了约 67%。这看起来像是新技术的一次小胜利。然而，研究人员知道，单次测试可能会产生误导，就像仅凭一场比赛就评判一名球员的水平一样。为了得到真实的情况，他们多次重复了实验，通过对参与者进行不同的分组，并使用不同的随机设置来启动计算机的学习过程。当他们这样做时，情况发生了变化。复杂模型在第一次测试中展现出的微弱优势消失了，或者变得微乎其微。事实上，当他们在许多不同的分组中观察数据时，复杂模型的准确率仅比简单的模型高出约 0.7%，这一差异相对于不同人脑之间的自然差异来说微乎其微，几乎可以忽略不计。

研究还检查了运动传感器的作用。在第一次单次测试中，移除运动传感器竟然让计算机的表现变得更好，这表明运动数据干扰了系统。但当研究人员进行重复测试时，结果发生了反转。移除运动传感器实际上让计算机的表现略有下降，准确率降低了约 1.2%。这种反转表明，第一次的结果是由数据在那个特定时刻的划分方式所导致的偶然现象。运动传感器确实包含了关于运动的有用的信息，但这种益处很小，并且只有在多次运行测试以平均掉运气成分时才会显现出来。研究人员还测试了他们的高速记录（每秒 500 个快照）是否必要。他们将数据降速到每秒 125 个快照，发现计算机读取大脑的能力并没有显著下降。这表明，要理解这些任务中的大脑电信号，并不一定需要如此高的记录速度，捕捉快速记录中的精细细节并不是成功的关键。

这项研究最具有启发性的部分或许是计算机如何处理不同的任务。该模型在区分“睁眼”和“闭眼”状态方面表现出色，正确识别该状态的准确率约为 91%。这是因为闭眼会在大脑后部产生一种强烈的、广为人知的节奏，非常容易识别。然而，该模型在区分“睁眼”状态和“举手”任务时却遇到了困难。它大约有 40% 的时间会将这两种状态混淆。研究人员意识到，举手涉及肌肉运动，这会产生类似于睁眼坐姿时大脑活动的电噪声。由于该研究没有单独记录肌肉信号，也没有使用特殊方法去除肌肉噪声，计算机很可能是在捕捉手臂和肩膀肌肉的运动，而不是针对该任务的具体大脑信号。这意味着计算机并不是在真正“阅读”手臂动作的“思想”，而是在对物理运动做出反应。

研究结论认为，对于这些特定的任务而言，对于在脑读取计算机中加入复杂的长程思维所表现出的兴奋感可能被夸大了。较简单的旧模型表现得几乎与复杂模型一样好，而且额外的组件仅提供了微小的、不稳定的提升，且高度取决于数据的测试方式。研究人员强调，你如何划分数据至关重要。如果你通过给计算机一些来自某人的试验进行学习，再用该人的其他试验来进行预测，计算机看起来会更聪明，因为它已经见过这个人的大脑模式。但当你用它从未见过的全新人群进行测试时，性能就会下降，模型之间的差异也会缩小。这项研究提醒我们，在解码人类大脑的过程中，最先进的工具并不总是最好的，而细致、重复的测试才是判断一个新想法是真正的突破还是仅仅是一个幸运的猜测的唯一途径。