近日，团队2022级硕士研究生张嘉俊等人在王斐副教授的指导下，与广州工伤康复医院何艳斌主任团队合作完成的研究成果"An Auditory BCI System Based on Stimulus-Related Semantic Backgrounds for Consciousness Detection"被生物医学工程领域权威期刊IEEE Transactions on Biomedical Engineering（JCR Q1，中科院二区）正式接收。该论文于2024年11月12日提交，2026年7月20日获得录用。

1、研究背景

意识障碍（Disorders of Consciousness, DoC）患者的临床诊断通常采用昏迷恢复量表修订版（Coma Recovery Scale-Revised，CRS-R），依据患者的临床行为反应判断意识水平。然而，该方法主观性强，误诊率较高（约40%）。脑机接口（Brain-Computer Interface, BCI）能够将患者的脑电信号转化为可识别的信息，为临床诊断提供客观、科学的评价指标。

现有方法多采用视觉刺激，限制了视力损伤或眼球运动控制困难患者的使用。相比之下，听觉刺激对视觉和运动能力的依赖程度更低，更适用于上述患者群体。但传统听觉脑机接口通常使用简单音调或机械声音作为刺激，存在任务体验单调、注意力维持困难以及脑电特征不够明显等问题，制约了其临床应用。

2、方法与结果

（1）基于刺激相关语义背景的听觉脑机接口范式

针对传统听觉刺激语义信息不足的问题，本研究设计了一种由"语义背景"与"动物叫声"共同构成的听觉脑机接口范式。

实验首先播放一段时长约3秒的语义背景，描述某种动物在特定环境中进行某项活动；随后播放狗叫声或鸡叫声，并要求受试者根据实验提示关注指定的目标声音。语义背景句相当于对后续声音的认知提示，通过在背景句与目标声音之间建立语义联系，引导受试者形成听觉预期并集中注意力。

为验证刺激相关语义背景的作用，研究设置了三种实验条件：

• C1：相关语义背景条件，背景句描述的动物与随后播放的动物声音一致；
• C2：无关语义背景条件，背景句描述马、羊、牛等其他动物，与随后播放的狗叫声或鸡叫声不一致；
• C3：无语义背景条件，使用与背景句时长相同的静音片段，不提供语义提示。

研究首先招募14名健康受试者完成三种条件下的实验，通过分析在线分类准确率和事件相关电位，比较不同语义背景对脑机接口性能的影响。

健康受试者实验结果显示，采用刺激相关语义背景的C1取得了最高的在线任务准确率，平均达到88.8%；采用无关语义背景的C2和不提供背景信息的C3的平均准确率分别为82.8%和75.9%。统计分析表明，C1的分类表现显著优于C2和C3，说明与目标刺激一致的语义背景能够有效改善听觉脑机接口的在线识别性能。

（2）面向小样本脑电数据的ECAEI-ProNet模型

针对意识障碍患者实验数据较少的问题，研究团队在EEG-Inception网络的基础上，引入高效通道注意力模块和原型分类器，构建了ECAEI-ProNet脑电分类模型。通过高效通道注意力机制减少无关通道对分类结果的影响，并利用不同长度的卷积核从多个时间尺度提取脑电信号中的时空特征，最后依据"原型"相似度进行识别。

消融实验结果表明，高效通道注意力模块和原型分类器均能够改善原始EEG-Inception模型的分类性能。二者结合后，模型在C1数据集上的single-trial准确率达到69.3%，F1-score为66.7%。

（3）意识障碍患者临床应用

在17名意识障碍患者的临床应用中，7名患者的在线分类准确率显著高于64%的随机水平。部分检测结果显著的患者还表现出与健康受试者相似的N200和P300脑电成分。准确率最高的3名患者在三个月后的临床诊断均有所改善。其余检测结果显著的患者中，2位患者的CRS-R评分也有所提高，且听觉子项分数均有所提升。

3、总结

本研究提出的听觉脑机接口系统采用了基于刺激相关语义背景的听觉范式，以及引入高效通道注意力机制和原型分类方法的ECAEI-ProNet模型，显著改善了听觉脑机接口的分类性能。范式通过增强受试者对刺激的认知预期和选择性注意，从而诱发更加明显的事件相关电位；高效通道注意力机制与原型分类则提高了模型提取有效脑电信息的能力，进而改善了分类性能。该系统为视觉功能受限的意识障碍患者提供了一种新的听觉脑机接口意识检测方案，也为语义认知机制与脑机接口范式的结合提供了新的研究思路。