想象一下，一位瘫痪病人，只需在脑海中想象“抬手”，轮椅就能应“想”而动；你无需说话，只需集中注意力，电脑就能直接“读懂”你的想法——这不是科幻电影的场景，而是脑机接口（BCI）技术正在努力实现的未来。脑机接口通过脑电图（EEG）捕捉大脑活动信号，在大脑与外部设备间搭建直接通信通道，在医疗康复、认知评估等领域展现出巨大潜力。然而，这个充满希望的技术，却长期被两个“拦路虎”困扰：大脑信号太难采集，且每个人的信号差异太大。
最近，由北京中关村学院、华中科技大学、上海交通大学、中国科学院自动化研究所等高校科研院所合作研发并开源的名为FusionGen的新框架，为解决这些问题带来了曙光。
脑机接口的“成长烦恼”：数据太少，差异太大
要让机器“读懂”大脑，首先需要大量的大脑信号（即EEG数据）来训练模型。但EEG数据的采集并不容易：一次实验能收集的有效数据（称为“试次”）有限，而且每个人的大脑结构、神经活动模式都不同——就像每个人的指纹独一无二，甲的“运动想象”信号和乙的可能大相径庭。
这两个问题直接导致了脑机接口的实用化瓶颈：如果数据太少，模型学不到足够的特征，就像仅凭几张照片很难认出一个人；如果忽略人与人的差异，模型在甲身上表现良好，到乙身上可能完全失效。这就是为什么很多实验室里效果出色的脑机接口，一到实际应用中就“水土不服”。
传统解决方案的短板：要么不够像，要么太“挑食”
为了让数据变多，研究人员尝试过多种“数据增强”方法，但效果都不尽如人意。
早期的方法很直接：给现有数据“做手脚”。比如给信号加一点随机噪声，模拟测量时的干扰；或者调整信号的强弱，就像调大/调小收音机音量。这些方法简单高效，但生成的“新数据”和真实大脑信号差距较大，多样性也不够——就像给同一张照片调亮度、加噪点，本质上还是同一张照片的变体。
后来，研究人员用上了更先进的“生成模型”，比如大名鼎鼎的GAN（生成对抗网络）。这些模型能学习真实数据的规律，生成看起来很“真”的新数据。但它们有个致命缺点：太“挑食”，需要海量数据才能训练好。而脑机接口恰恰缺数据，这种“大胃王”模型自然难以施展拳脚。
FusionGen的“聪明之处”：给大脑信号“拼积木”
面对这些难题，本项目的研究团队提出了FusionGen框架——一种专为少样本EEG数据设计的“信号生成神器”。它的核心思路很简单：在不同人的大脑信号中“挑优点”，拼出既多样又真实的新信号。
图1 闭环脑机接口系统
第一步：给信号“统一格式”
不同人的EEG信号就像用不同格式保存的文件，直接对比很困难。FusionGen先通过“输入分布对齐”技术，把这些信号“标准化”，消除一部分人与人之间的差异，让后续处理更顺畅。就像把不同字体的文字转换成统一字体，方便比较和编辑。
第二步：在“隐藏特征”里“拼积木”
大脑信号的关键信息藏在“隐藏特征”里——就像一篇文章的核心思想藏在文字背后，而不是表面的字词排列。FusionGen用轻量级的神经网络提取这些隐藏特征，然后通过“特征匹配融合模块”给这些特征“拼积木”：
1. 把不同人的特征拆成一个个“小模块”；
2. 给目标人物的特征找最相似的“外援模块”（比如从其他人的信号中找匹配的特征）；
3. 把这些匹配的模块拼回目标特征中，既保留目标人物的信号特点，又注入新的多样性。
这个过程就像给一幅画“换零件”：保留主体风格，替换部分细节，让画面既熟悉又新鲜，同时不失真实感。
图2 特征匹配融合示意图
第三步：“还原”成真实信号
最后，FusionGen通过解码器把融合后的特征“还原”成完整的EEG信号。由于整个网络设计得很“轻巧”，即使数据很少，也能高效训练，不会出现“学不会”的问题。
图3 不同数据增强方法结合FusionGen 生成的EEG信号可视化图片
效果惊人：数据变多了，模型变准了
为了检验FusionGen的能力，研究团队在三个公开的EEG数据集上做了实验，结果让人惊喜：
分类准确率显著提升：在跨受试者场景下（用A的 data 训练模型，给B用），FusionGen生成的数据让模型准确率比现有方法提高了1.5%-4.2%；在同一受试者场景下，甚至提升了近8%。对于脑机接口来说，这小小的提升可能意味着“能用”和“不能用”的区别。
兼容性超强：它还能和其他数据增强方法“组队”。比如和加噪声、小波变换等方法结合后，准确率能进一步提高，就像给其他工具加了“外挂”。
生成数据很“真实”：通过可视化技术可以看到，FusionGen生成的信号（绿色点）紧紧围绕在真实信号（红色点）周围，完美填补了数据稀疏的区域，就像给稀疏的星空添上了更多真实的星星。
图4 BNCI2014001 上潜在分布的 t-SNE 可视化结果 （a）源域数据与目标域数据（b）生成数据与目标域数据
未来可期：让脑机接口走进现实
FusionGen的出现，为脑机接口的实用化扫清了一大障碍。它的价值不仅在于“生成数据”，更在于让脑机接口更“省心”：
减少“校准痛苦”：现在用脑机接口前，往往需要用户反复做任务来“校准”模型（比如多次想象“动左手”让模型学习）。FusionGen能通过少量校准数据生成大量个性化信号，未来可能实现“零校准”，即学即会。
助力“大脑大数据”：高质量的EEG数据稀缺一直是脑机接口发展的瓶颈。FusionGen能生成无限接近真实的信号，为训练更强大的“大脑基础模型”提供“燃料”，就像为研究提供了永不枯竭的“虚拟大脑信号库”。
从帮助残疾人重新“掌控”生活，到让普通人通过意念与设备互动，脑机接口的未来充满想象。而FusionGen这样的技术，正一步步把这些想象变成现实——或许不久的将来，“用意念交流”会像现在用手机通话一样平常。
本文相关工作的指导教师为华中科技大学教授、北京中关村学院共建导师伍冬睿，北京中关村学院&华中科技大学2024级博士生陈晓庆、刘鼎坤共同参与项目研发。
[1] Xiaoqing Chen, Tianwang Jia, Dongrui Wu, Data alignment based adversarial defense benchmark for EEG-based BCIs, Neural Networks, Volume 188, 2025, 107516, ISSN 0893-6080
[2] Xiaoqing Chen, Siyang Li, Yunlu Tu, Ziwei Wang and Dongrui Wu, User-wise perturbations for user identity protection in EEG-based BCIs, 2025 J. Neural Eng. 22 016040