近日，团队成员蔡洪华在潘家辉教授和李远清教授的共同指导下，在SCI期刊IEEE Transactions on Instrumentation and Measurement（影响因子: 5.332, 中科院二区top）发表研究成果“Multiple Scale Convolutional Few Shot Learning Networks for Online P300-based Brain-Computer Interface and Its Application to Patients with Disorder of Consciousness”。本论文于2022年11月14日投稿，2023年3月19日录用。

基于P300事件相关电位 （P300 event-related potential）的脑机接口在意识障碍患者残余意识检测方面有着广阔的前景。 P300事件相关电位是是一种内源性的、和认知功能相关的特殊诱发电位，可以作为认知能力测量。P300是在事件(如听觉、视觉刺激)发生后大约300ms出现的一个正向波，只有在受试者积极参与目标识别任务过程中才会出现。传统的P300脑机接口需要多次重复刺激，以提高信号的信噪比和算法识别效果。然而由于意识障碍患者容易陷入昏睡、注意力不集中等问题，难以参与长时间的实验，导致有效的样本数据量较少。

针对样本数据不足这个问题，本文提出了基于多尺度卷积原型网络的小样本单被试P300识别算法，并且应用到意识障碍患者参与检测任务上。总的来说，该论文主要有以下4点贡献：

• 首次将小样本技术应用到P300识别领域
• 设计了一个多尺度卷积神经网络，从不同的尺度提取脑电特征。
• 通过余弦相似度度量正样本原型与待分类样本之间的距离，完成小样本分类。
• 成功应用到意识障碍患者照片识别任务上，从12名病人中发现3名有残余意识的病人。

该算法主要包含两部分：多尺度卷积神经网络特征提取器以及基于原型度量的小样本分类器，如下图所示。为了验证本文提出的算法有效性，我们首先在经典的P300字符拼写器范式上对10位健康被试的P300字符拼写脑电数据进行验证。在这10位被试的数据集上，取得了SOTA效果。进一步，我们将这算法应用到意识障碍患者数据集上，对12位意识障碍患者的照片识别范式数据进行判断，成功发现其中3位患者的识别准确率高于随机显著水平 （对比的方法测不出），并且在他们的脑电图中发现了明显的P300成分。3个月的随访结果显示这3名患者的意识水平有明显好转，证明了本文方法的可靠性。