近日，我院增材制造与工业机器人应用技术团队在国际学术期刊Computers in Biology and Medicine（中科院一区TOP期刊，影响因子7.0）上发表了一篇题为《Deep transfer learning-based decoder calibration for intracortical brain-machine interface》的文章，DOI：https://doi.org/10.1016/j.compbiomed.2025.110231。
该论文的第一完成单位为湖北工业大学机械工程学院，由李肖老师和研究生董贤鑫等人共同完成。该工作得到了国家自然科学基金（62006087 和 52005169）的资助。
本文提出了一种基于深度迁移学习的解码器校准方法——主动学习领域对抗神经网络（AL-DANN），用于皮层内脑-机接口（iBMIs）的高效校准。iBMIs在日常使用中面临神经信号非平稳性的问题，导致解码器需要频繁校准，而传统方法需要大量新数据，过程耗时且劳动密集。AL-DANN通过结合历史数据和少量新数据（每个类别仅需4个样本），利用领域对抗训练和主动学习策略，有效减少了对新样本的需求，并提高了解码器的校准效率。
AL-DANN在分类和回归任务中均优于其他现有方法，包括仅使用历史数据的OSSC、直接混合新旧数据的OMSC、基于PCA的迁移学习方法PDA和PMDA，以及传统的深度迁移学习方法FTSD。AL-DANN在分类任务中将解码准确率平均提高了10.28%（猴M）和6.94%（猴B），在回归任务中将平均相关系数（CC）提高了36.17%。
原文链接：https://www.sciencedirect.com/science/article/abs/pii/S0010482525005827
