近日，团队2023级研究生吴志聪、何婉莹等在潘家辉教授的指导下，研究成果“Cross-Subject P300-Based Audiovisual BCI System via Continual Learning: A Clinical Application for Disorders of Consciousness”被生物医学工程与脑机接口领域的国际权威期刊《IEEE Transactions on Neural Systems and Rehabilitation Engineering》成功录用。该论文自2025年5月1日提交，于2025年11月9日被正式接收。

1. 研究背景

意识障碍（Disorders of Consciousness, DOC）是由创伤性或非创伤性脑损伤引起的严重病理状态，其特征是意识水平的持续性降低或意识内容的显著改变。根据国际标准，意识障碍主要分为昏迷（Coma）、无反应觉醒综合征（Unresponsive Wakefulness Syndrome, UWS，之前称为植物状态，VS）、微意识状态（Minimally Conscious State, MCS）以及从微意识状态中逐渐恢复的患者（Emergence from Minimally Conscious State, EMCS）。这些状态的诊断和预后评估一直是临床医学中的重大挑战，传统的行为量表评估方法存在主观性强、准确性不足等问题，误诊率高达40%。

近年来，脑机接口（BCI）技术凭借其能够绕过行为反应直接与大脑交互的优势，成为评估意识水平和预测预后的关键工具。然而，现有的BCI系统在跨受试者应用中仍面临适应性差、训练成本高、遗忘率高等问题，限制了其临床推广。

持续学习（Continual Learning, CL）作为一种新兴的机器学习范式，旨在通过模拟人类学习过程，使模型在不断学习新任务的同时保留对旧任务的记忆。这种能力对于脑机接口系统尤为重要，因为它能够有效解决跨受试者BCI中常见的灾难性遗忘问题，提升系统的适应性和鲁棒性。本研究通过结合多模态刺激范式（整合人脸照片和对应姓名声音）和混合原型持续学习方法（Hybrid Prototype-based Continual Learning, HPC），显著提升了系统在意识障碍患者中的诊断准确性和临床适用性。

2. 方法与结果

（1）多模态刺激范式

本研究设计了一种新颖的多模态BCI范式，将受试者熟悉的人脸照片和姓名声音相结合，以增强P300信号的诱发效果。实验结果表明，这种范式能够显著提升P300信号的幅度和信噪比，尤其在视觉和听觉皮层的ERP波形中表现出更强的信号整合能力。与传统的单一视觉刺激相比，多模态刺激范式在P300诱发效果上具有显著优势。

（2）混合原型持续学习方法

HPC方法的核心在于通过构建历史任务的原型，并在新任务引入时选择性地整合相似和不相似的原型。具体而言，不相似的原型通过混合和掩蔽的方式被处理，而相似的原型则通过注意力机制进行合并，从而有效防止灾难性遗忘。实验结果表明，HPC在健康受试者的P300拼写任务中达到了98.33%的准确率，在临床环境中对意识障碍患者的诊断准确率达到了95.50%，验证了系统的临床潜力。

（3）意识障碍临床验证

通过在10名健康受试者和10名意识障碍患者的实验中，本研究进一步验证了系统的临床可行性。实验结果表明，健康受试者的平均准确率在第四轮刺激中达到90%，而微意识状态的意识障碍患者的平均准确率在第七轮刺激中达到70%。此外，HPC在持续学习过程中表现出良好的反向转移能力和正向转移能力，BWT值为+0.47%，FTP值为+8.58%，BTP值为+0.34%。

3. 结论

本研究提出的跨受试者P300脑机接口系统通过结合多模态刺激范式和混合原型持续学习方法，显著提升了意识障碍患者的意识水平评估和预后预测能力。持续学习方法在防止灾难性遗忘的同时，能够有效整合历史任务的经验，提升系统的适应性和鲁棒性。该系统不仅在多种临床任务中表现出色，还为脑机接口技术的临床应用提供了新的思路和方法。未来，团队将进一步优化任务相似性评估算法，探索更多模态的融合，并构建更大规模的EEG数据集，以进一步提升系统的性能和普适性。