第 47 届 IEEE 医学和生物工程学会国际会议（Annual International Conference of the IEEE Engineering in Medicine and Biology Society，简称 EMBC 2025）将于 2025 年 7 月 14 日至 17 日在丹麦哥本哈根举行。作为生物医学工程领域历史悠久的旗舰会议，EMBC 同时也是中国人工智能学会（CAAI）推荐的 B 类会议。在此次会议上，脑机交互与混合智能团队共有 4 篇研究成果被录用，取得了丰硕成果。

1. 基于多尺度事件检测窗口和CBAM注意力机制的纺锤波检测模型

2023级研究生李澳琪在潘家辉老师、曲超老师的指导下，研究成果《SpindleX: A Multi-Scale Event Detection Window and CBAM Attention-Based Model for Sleep Spindle Detection》被录用并进行全文发表。算法利用卷积神经网络和双向长短期记忆网络提取常见的纺锤波特征，之后使用注意力模块从信号的通道和空间方面捕捉更多细节，采用多尺度事件检测窗口来适应纺锤波不同的持续时间，旨在捕捉 EEG 序列中的所有纺锤波。主要贡献包括：

（1）提出了一种基于单通道脑电信号的纺锤波检测算法，该算法在公开数据集MASS-SS2上表现出色。具体结构如下：

图1 SpindleX模型架构图

（2）采用多尺度事件检测窗口来捕捉不同持续时间的睡眠纺锤波，尽可能最小化真实纺锤波事件与信号段内预测的纺锤波事件之间的偏差。

图2 不同大小的事件检测窗口对检测结果的影响

（3）将CBAM注意力机制集成到 SpindleX 中，这增强了对通道和空间信息的提取能力，使模型能够聚焦于 EEG 信号的显著特征。通过学习突出纺锤波最重要的特征，SpindleX 相比传统的基于阈值的方法，能更有效地适应不同的信号。

（4）利用纺锤波突出于背景脑电活动的特点，使用卷积层进行局部特征提取，使用双向长短期记忆网络对时间依赖性进行建模，使模型能够更好地学习上下文信息，在保留空间和时间信息的同时，避免了基于图像的方法所带来的存储和效率成本问题。

表1 SpindleX（本研究方法）与其他方法的对比分析

2. 基于脑电微状态分析对意识障碍患者情绪解码和意识评估

2023级研究生陈志强在黄海云老师的指导下，研究成果《Emotion Decoding and Consciousness Evaluation in DOC Patients through EEG Microstate analysis》被录用并进行全文发表。本研究利用机器学习对意识障碍患者的情绪状态进行分类，系统探讨了脑电微状态的参数和转移概率与健康被试的差异。实验结果证明，脑电微状态的参数和转移概率在一定程度上可以作为判断意识障碍患者情绪状态的指标。本文主要贡献包括：

（1）本研究使用脑电微状态方法用于评估意识障碍患者，分析在情绪识别中的作用，并进一步探讨了其在定量分析中的应用潜力。

图1 脑电微状态分析过程

（2）本研究将频谱特征与微观状态特征相结合。在独立测试集上实现了77.94%的分类准确率，我们的系统对意识障碍患者的情绪进行分类的能力提供了保留情绪意识的电生理证据，即使在行为输出有限的患者中也是如此。

表1 在情绪识别实验中，健康受试者和意识障碍患者的分类结果（%）

（3）确定微状态参数和转移概率作为意识障碍评估的新生物标志物。这在情绪相关的微状态转换和意识障碍严重程度之间建立了直接联系，为CRS-R等行为量表提供了神经生理学补充。

图2 健康对照组（HC）和意识障碍（DOC）组之间的微状态参数差异。误差条：SEM*p<0.05，**p<0.01

3. DC-FFNet：用于实时异步信号分析的双通道特征融合网络

2022级本科生孙瑜妤在潘家辉老师的指导下，研究成果《DC-FFNet: Dual Channel Feature Fusion Network for Real-Time Asynchronous Signal Analysis》被录用并进行全文发表。本文主要研究了在提出的实时控制框架下，基于双通道架构使用多头自注意力机制，实现全局特征捕捉、局部特征增强和多模态特征融合，高效地融合异步信号的时空特征，实现高实时性与SSVEP 信号的分类高精度。主要贡献包括：

（1）本研究提出了一种基于双通道特征融合网络（DC-FFNet）的SSVEP 的信号分类模型，该算法在公开数据集SSVEP SANDIEGO和自采集数据集上均表现出色。具体结构如下：

图3 DC-FFNet模型架构图

表1 公开数据集上DC-FFNet性能对比结果

表2 自采数据集上DC-FFNet性能对比结果

（2）本研究构建了一个基于异步编程的实时控制框架，引入了并行异步采集和推理的并行机制，以及灵活的异步任务调度策略，以确保系统的实时性。实验表明，与传统的同步控制相比，该框架的平均响应时间缩短了 29.6%，总时延保持在1.5s以下。

图4 异步控制框架图

（3）在并行异步采集的流程中，本研究构建了一个高质量的自采数据集，利用基线模型测试了数据集的合理性和。同时，在该数据集上DC-FFNet（本研究方法）的性能始终优于基线模型。

（4）本研究的整体架构支持在线处理，突破了传统离线方法的实时性瓶颈，显著提升了脑-机接口系统的实用性与响应效率。本框架集成轻量化模型结构与快速响应机制，实现了低延迟、高精度的实时脑信号解码。）

4. 基于自监督对比学习方法的自动睡眠分期模型MultiConsSleepNet

2022级研究生余阳祖怡在潘家辉老师的指导下，研究成果《MultiConsSleepNet: Self-Supervised Contrastive Learning for a Multimodal Consistency-Based Automatic Sleep Staging Model》被EMBC 2025录用为full paper。该论文针对自动睡眠分期技术中如何高效提取具有强泛化能力的多模态特征、如何利用多模态信号的相似性和差异性进行准确分期，以及如何充分利用大量未标记数据来增强模型的实用性，提出了一种创新的解决方案。该方案的亮点如下：

（1）多模态特征提取与一致性增强

本文设计了一种新颖的多模态一致性网络（MultiConsSleepNet）。该网络通过整合单模态特征提取器与多模态一致性提取器，能够精准捕捉脑电图（EEG）和眼动图（EOG）信号的局部域特征。这种设计不仅增强了模态内特征的一致性，还通过跨模态对比学习，进一步提升了模态间特征的对齐程度。通过对比学习策略，模型在原始数据和增强数据上进行训练，并利用残差通道注意力块进一步提升特征提取器的泛化和表示能力。这使得模型能够在复杂多变的睡眠信号中提取出更具代表性和鲁棒性的特征。

（2）模拟临床噪声提升鲁棒性

在实际临床环境中，睡眠监测信号常常受到各种噪声的干扰，这给自动睡眠分期带来了巨大挑战。为了解决这一问题，本文在研究中引入随机高斯噪声来模拟临床环境中的噪声，并通过在噪声数据上进行对比学习，显著增强了特征提取器的鲁棒性和泛化能力。这种创新方法使得模型能够在面对实际应用中的复杂噪声时，依然能够稳定地进行睡眠分期，极大地提升了模型的实用性和可靠性。

（3）自监督预训练策略

为了充分利用大量未标记的睡眠数据，本文提出了一种创新的自监督预训练策略。该策略利用自监督对比学习对单模态特征提取器和多模态一致性结构进行预训练，使用大量未标记的睡眠数据来提升模型的初始性能。随后，通过微调，模型能够快速适应不同的睡眠分期数据集，展现出卓越的适应性和实用性。这一策略不仅极大地降低了对大量标记数据的依赖，还显著提升了模型的泛化能力，使其能够在不同数据集和应用场景中表现出色。