基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）因其高通信速度而受到广泛关注，可用于构建键盘打字界面等脑机接口形式。尽管大规模数据集为提高解码精度提供了重要机会，但以往的研究往往将已有被试数据进行简单地堆叠用于训练模型，这导致无法高效利用已有被试的信息，从脑响应的独特特征中提取有价值的信息对于提升模型的解码能力至关重要。

        在本研究中，我们提出了ConsenNet框架，旨在通过利用已有被试的信息来提高新被试的SSVEP分类性能。首先，本研究利用已有被试的多样性生成新的样本以扩增数据集，这些样本既保留了与任务相关的成分，又保留了一定的变异性，从而有效增强了网络在新被试上的泛化能力。其次，构建了包含类别之间相互关系的结构化知识，并将其从教师网络转移到学生网络，指导学生网络提取被试的不变表征。最后，我们的模型在最后阶段结合了一小部分新受试者的数据进行模型校准。通过在三个公开数据集上进行的离线实验，证明了ConsenNet优于本文比较的19种方法；在10名被试上进行了在线实验，验证了本方法在实际应用中的可行性。

        该研究成果已在人工智能领域的顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》上发表，相关代码也已开源，论文的通讯作者为神经计算与脑机交互团队的何晖光研究员，第一作者为博士研究生张欣怡。研究得到了国家重点研发计划、国家自然科学基金等项目的资助。

论文链接：https://ieeexplore.ieee.org/abstract/document/10783439

代码链接：https://github. com/Xinyi-1022/ConsenNet