《CMES - Computer Modeling in Engineering and Sciences》:Model Agnostic Meta Learning Ensemble Based Prediction of Motor Imagery Tasks Using EEG Signals
编辑推荐:
自动化检测运动想象(MI)任务对中风患者假肢康复具有重要价值。运动想象任务的预测可通过记录受试者头皮电极放置处的脑电图(EEG)信号实现;然而,由于EEG信号记录过程中引入的噪声、高类间方差特征向量的提取以及精确分类等挑战,运动想象任务的准确预测仍面临困难。所
自动化检测运动想象(MI)任务对中风患者假肢康复具有重要价值。运动想象任务的预测可通过记录受试者头皮电极放置处的脑电图(EEG)信号实现;然而,由于EEG信号记录过程中引入的噪声、高类间方差特征向量的提取以及精确分类等挑战,运动想象任务的准确预测仍面临困难。所提出的方法包括预处理、特征提取和分类三个步骤。首先,采用带通滤波器结合独立成分分析(ICA)对EEG信号进行去噪。将多通道信号合并为单一替代通道,随后应用短时傅里叶变换(STFT)将时域EEG信号转换为频域表示。从EEG信号中提取手工设计特征与自动提取特征,并将其串联形成单一特征向量。研究人员提出定制化的二维卷积神经网络(CNN)用于提取具有高类间方差的自动特征。采用粒子群优化(PSO)进行特征选择以获取最优特征。将最终特征向量输入三种不同的分类器:支持向量机(SVM)、随机森林(RF)和长短期记忆网络(LSTM)。最终决策通过模型无关元学习(MAML)实现。所提出的方法已在两个数据集上进行测试,包括PhysioNet数据集和BCI Competition IV-2a数据集,在准确率和F1分数方面均优于现有的先进方法。该框架在PhysioNet数据集上达到96%的准确率和F1分数,在BCI Competition IV数据集2a上达到95.5%。研究人员还采用SHapley Additive exPlanations(SHAP)和梯度加权类激活映射(Grad-CAM)可解释技术以增强临床环境下的模型可解释性。
本研究旨在解决运动想象(MI)任务自动分类中的关键挑战,为中风患者假肢康复提供技术支持。脑机接口(BCIs)通过直接将脑活动转化为设备控制指令,为超过十亿因中风导致残疾的个体提供了恢复交互能力和独立性的突破性手段。运动想象作为脑机接口的重要范式之一,依赖于自发性神经活动,因其直观性和不依赖外部刺激的特性而在康复应用中备受关注。然而,当前运动想象预测方法存在诸多局限,包括缺乏全面的跨被试评估、对类别不平衡的敏感性、噪声去除不足以及深度学习分类器参数优化的比较分析匮乏。因此,开发 Robust 的运动想象任务分类框架具有重要的科学意义和临床应用价值。该论文发表于《CMES - Computer Modeling in Engineering and Sciences》。
研究采用的核心技术方法主要包括以下方面。在信号预处理层面,研究人员构建了多阶段去噪流程:首先使用0.5–50 Hz的线性相位有限脉冲响应(FIR)带通滤波器滤除漂移和高频噪声,随后采用ICA分离并去除眼动、肌肉及心脏伪迹,继而行基线校正以消除低频漂移,最后应用共空间模式(CSP)滤波器增强类别可分性并将多通道信号投影至替代通道。特征提取方面,采用STFT将CSP滤波后的EEG信号转换为时频表示,窗函数为128采样点(0.8 s@160 Hz)的Hamming窗,50%重叠率;同时提取手工设计的时域特征(包括均值、方差、均方根、偏度、峰度、过零率、能量、峰峰值、Hjorth参数、自回归系数等)和频域特征(包括功率谱密度、 Band Power、谱熵、谱质心、频带比、均值频率、中值频率、相对功率、θ/α比、分形维数、峰值频率、相干性和相位锁定值等)。研究人员提出定制化的2D-CNN进行自动特征提取,该网络包含三个卷积块(滤波器数分别为32、64、128),采用3×3卷积核,配合批量归一化、最大池化和Dropout(0.5)正则化,总计684,900个可训练参数。特征融合后采用PSO进行最优特征子集选择(粒子数30,惯性权重w=0.7,加速系数c?=c?=1.5,最大迭代100次)。分类阶段采用MAML作为集成学习框架,融合SVM、RF和LSTM三种异质分类器的决策输出。可解释性分析方面,采用Grad-CAM解释CNN频谱特征贡献,采用KernelSHAP解释手工设计特征的重要性。
研究结果部分按照实验设计逐步展开。
预处理与基线实验结果表明,未经处理的手工特征结合SVM分类在PhysioNet数据集上仅取得71%的整体准确率和71%的F1分数。引入带通滤波后,性能提升至75%准确率和75% F1分数,说明频率 band 的选择对运动想象任务至关重要。增加基线校正后,准确率和F1分数进一步提升至78%,表明低频漂移的去除有助于信号稳定化。
独立成分分析的有效性验证结果显示,ICA伪迹去除使性能提升至81%准确率和81% F1分数,验证了将脑信号与噪声源分离的重要性。这一结果强调了ICA在去除眼动和肌肉伪迹方面的关键作用。
深度学习特征学习的优势验证表明,将手工特征替换为基于STFT的时频表示并输入CNN后,准确率提升至84%,F1分数达到83%,证明了学习特征相对于手工特征的优越性,即使在没有显式特征融合的情况下,CNN仍能自动提取相关的时频模式。
特征融合策略的效果评估显示,将STFT特征与其他相关信息融合后,CNN的整体准确率提升至89%,F1分数升至91%;SVM达到91%准确率和89% F1分数;RF获得92%准确率和91% F1分数,这可能得益于其融合非线性关系的能力。LSTM网络由于捕捉时间依赖性的能力,取得了94%准确率和94% F1分数的显著提升,说明运动想象EEG信号高度依赖序列信息。
模型无关元学习集成效果分析表明,采用MAML聚合多模型预测后,准确率和F1分数分别提升至95%。最终,PSO优化MAML分类器取得最佳结果,准确率和F1分数均达到96%,各任务准确率介于96%至97%之间。PSO动态调整分类器贡献和超参数的能力降低了特定任务或特征的过拟合风险。
BCI Competition IV-2a数据集上的消融实验结果显示,仅用手工特征和SVM的准确率为62%;应用ICA和CNN后提升至79.5%;最终PSO特征选择结合MAML集成分类器达到95.5%准确率和95.5% F1分数。超参数敏感性分析表明,PSO粒子数在[20,40]、迭代次数在[50,150]范围内变化时,性能波动不超过0.5%;STFT窗长在[64,256]采样点、重叠率在[25%,75%]范围内变化时,性能波动低于1.0%;CNN深度变化±1个卷积块导致约0.8%–1.5%的性能变化。
可解释性分析结果部分,Grad-CAM可视化显示定制化CNN架构聚焦于μ(8–13 Hz)和β(13–30 Hz)频段区域;SHAP分析则表明手工提取的频带功率、谱熵以及Hjorth mobility和complexity等特征对最终分类贡献最大,并提供高类间方差。Grad-CAM与SHAP结果的一致性说明深度特征和手工特征捕获了统一且可解释的运动想象相关信息。
与现有先进方法的比较结果表明,在PhysioNet数据集上,所提方法以96%准确率和96% F1分数优于多数现有方法,仅略低于Taghizadeh等报告的100%准确率(但未报告F1分数);与最佳基线方法Lotey等(95.05%准确率,95% F1分数)相比,配对双尾t检验显示准确率提升(p=0.0042)和F1分数提升(p=0.0037)均具有统计显著性。在BCI Competition IV-2a dataset上,所提方法达到95.5%准确率和95.5% F1分数,配对双尾t检验显示准确率p=0.0061、F1分数p=0.0048,证实了改进的统计显著性。
计算成本评估表明,单试次端到端在线推理延迟在纯CPU平台低于150 ms,其中ICA分解约20–30 ms,STFT计算约25–35 ms,CNN特征提取约60–80 ms,集成推理阶段低于10 ms;PSO特征选择和MAML元学习在训练阶段离线完成,不增加在线推理开销。
讨论部分,研究人员总结了该框架的创新价值与实际意义。定制化2D-CNN有效学习了STFT-based EEG信号的判别性时频表示,其参数规模(684,900)在准确率与计算效率间取得了有利平衡。混合特征融合框架结合了手工时频特征与深度CNN特征,经PSO选择后获得紧凑最优特征子集。基于MAML的集成策略整合了SVM、RF和LSTM三种异质分类器,提升了跨被试泛化能力。Grad-CAM和SHAP的可解释性分析增强了临床环境中的应用可信度。两个公开基准数据集上的验证表明,该框架具有较好的鲁棒性和泛化性能。
研究结论部分指出,本研究提出了一种新颖的运动想象任务集成分类方法,采用带通滤波和ICA去噪,CSP滤波将多通道EEG信号转换为单一替代通道,定制化2D-CNN进行自动特征提取,并将手工与自动特征融合后经PSO优化,最终由MAML集成SVM、RF和LSTM分类器输出决策。该方法在PhysioNet和BCI Competition IV-2a两个基准数据集上均优于近年先进方法,准确率分别达到96%和95.5%。未来工作将拓展至轮椅自动化、中风患者假肢、机器人和游戏等应用领域,并进一步优化计算资源、降低可穿戴设备延迟,同时探索融合肌电图(EMG)、脑电图和功能性磁共振成像(fMRI)等多模态数据以增强分类鲁棒性。