基于联邦学习与无数据知识蒸馏的SSVEP分类泛化提升方法及其在仿生软体抓取器中的应用

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Improving Generalization in Federated Learning for Steady-State Visual Evoked Potential Classification and Its Application in Soft Gripper

本研究针对跨被试脑电信号识别中数据隐私与个体差异的挑战，提出一种基于联邦学习的稳态视觉诱发电位分类框架FedGF。该框架通过服务器端生成全局特征引导客户端特征提取，结合无数据知识蒸馏技术实现隐私保护下的知识迁移。在三个数据集上的实验表明，该方法较基线模型准确率提升0.52%~0.65%，并成功集成至温致变色软体抓取器，为脑机接口在康复工程中的应用提供新思路。

　　

随着脑机接口技术的快速发展，基于脑电信号的人机交互系统在康复医疗、智能控制等领域展现出巨大潜力。其中，稳态视觉诱发电位因其高信噪比和易诱发特性，成为脑机接口研究的重要范式。然而，跨被试SSVEP分类面临两大核心挑战：个体脑电信号的显著差异导致模型泛化能力不足，以及医疗数据隐私保护要求限制跨机构数据共享。传统集中式训练需要汇聚所有用户数据，存在隐私泄露风险；而直接应用联邦学习又因数据非独立同分布特性易导致模型性能下降。

为突破这些瓶颈，来自燕山大学的研究团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》发表最新研究，提出一种面向SSVEP分类的联邦学习框架FedGF。该框架创新性地将无数据知识蒸馏与多尺度特征学习相结合，在严格保护数据隐私的前提下显著提升模型跨被试泛化能力。

研究方法上，团队首先构建了包含中央服务器与多个客户端的联邦学习架构。服务器端配备特征生成器，通过标签输入合成全局特征；客户端部署融合多尺度CNN与Transformer的特征提取网络。关键技术包括：1）基于伪标签的全局特征生成机制；2）结合KL散度、角度约束和边缘对齐的多维度知识蒸馏损失函数；3）随机初始化滑动窗口的数据增强策略。实验采用k折交叉验证，在两个公开数据集和一个自建数据集上与其他7种联邦学习方法进行系统对比。

研究结果显示，FedGF在三个数据集上均取得最优分类性能。在1秒时间窗条件下，公开数据集准确率分别达到92.58%和93.51%，自建数据集准确率为68.22%，较最佳基线方法提升0.52%-0.65%。混淆矩阵分析表明模型对所有类别均保持均衡识别能力。消融实验进一步验证了网络结构设计的合理性：多尺度CNN与Transformer的混合架构比单一模块准确率提升显著；知识蒸馏损失函数中三个组成部分均对性能有正向贡献，其中边缘正则化项在复杂数据集上作用尤为突出。

为验证方法的实际应用价值，团队研制了具备温致变色功能的四指仿生软体抓取器。该抓取器集成肌腱驱动与层阻塞变刚度机制，内置压力与温度传感器，可通过颜色变化直观反馈抓取物体温度。将训练好的FedGF模型与抓取器控制系统集成，实现了基于SSVEP信号的闭环控制。在抓取薯片包装、葡萄、水杯和重物四类日常任务中，系统表现出良好的指令识别精度和抓取适应性，特别在抓取重物时，通过额外发送刚度调节指令成功完成操作。

该研究的创新性体现在三个方面：首先，提出的FedGF框架首次将无数据知识蒸馏引入SSVEP分类领域，在保护数据隐私的同时有效缓解了联邦学习中的客户端数据异构问题；其次，设计的混合神经网络结构充分利用多尺度CNN的局部特征提取能力与Transformer的全局依赖建模优势；最后，开发的智能软体抓取器为脑控康复设备提供了新的技术路径。研究结果对推动脑机接口技术在医疗康复中的实际应用具有重要意义，特别是在卒中康复、运动功能障碍辅助等领域展现出广阔前景。

需要指出的是，当前工作主要关注避免直接数据传输，尚未针对从共享模型构件中提取敏感信息的攻击实施防御措施。未来研究将探索安全聚合和差分隐私等隐私增强机制，进一步提升系统的安全性和实用性。该研究为脑机接口与软体机器人技术的深度融合提供了重要技术支撑，开辟了隐私保护下跨被试脑电信号解码的新方向。