一种融合谱带感知通道注意力与黎曼流形域适应性的运动想象脑电信号解码新方法

《Brain Sciences》:A Band-Aware Riemannian Network with Domain Adaptation for Motor Imagery EEG Signal Decoding Zhehan Wang, Yuliang Ma, Yicheng Du and Qingshan She

【字体: 大 中 小 】 时间:2026年03月31日 来源:Brain Sciences 2.8

编辑推荐:

  为解决运动想象脑电信号信噪比低、跨会话/跨被试域偏移等问题,提高脑机接口实用性,本研究提出了一种名为BARN-DA的端到端解码方法。该方法设计了新颖的BACA与MSKP模块强化特征提取,并利用黎曼流形上的R-MMD损失进行域对齐。实验在多个公开数据集上验证了其优异的分类与泛化性能,为实际BCI系统提供了高效技术方案。

  
想象一下,仅仅通过“想”就能控制电脑光标、机械手臂甚至轮椅,这并非科幻,而是脑机接口技术带来的未来图景。其中,运动想象作为一种无需外部刺激、完全由大脑主动产生的信号范式,在康复医疗等领域展现出巨大潜力。然而,梦想照进现实的道路充满荆棘。采集自头皮的脑电图信号极其微弱,信噪比低,还极易受到眼动、肌电等各类噪声污染。更棘手的是,同一个人在不同时间(跨会话)、或者不同人之间(跨被试)的脑电信号特征存在显著差异,这种“域偏移”问题严重阻碍了解码模型的稳定与泛化,成为脑机接口走向实际应用的核心瓶颈。
为了攻克这些难题,一支研究团队在《Brain Sciences》上发表了他们的最新成果。他们独辟蹊径,将前沿的注意力机制、深度学习与古老的微分几何工具——黎曼流形相结合,提出了一种名为“融合谱带感知的黎曼网络与域适应”的解码新框架。研究人员深知,脑电信号不仅在时间、空间维度上蕴含信息,其不同频率成分也携带关键特征。因此,他们创新性地设计了一个“谱带感知通道注意模块”,让模型能同时关注信道重要性和频带属性,从而精准聚焦于那些富含判别信息的脑区信号。紧接着,一个“多尺度核感知模块”通过并行卷积捕获不同时间尺度下的细微动态。经过这些精心设计的特征提取后,信号被映射到黎曼流形上,转换为一种能保持其内在几何结构的对称正定矩阵。面对域偏移的挑战,研究团队没有采用传统的欧氏空间对齐方法,而是创造性地在流形上定义了一种基于对数欧几里得度量的“黎曼最大均值差异”损失,直接对齐源域和目标域的SPD矩阵分布,从而在非欧空间里实现了高效的知识迁移。
为了验证BARN-DA方法的威力,研究人员在BCIC IV 2a、BCIC IV 2b、SHU和BCIC III 4a这四个公开的运动想象脑电数据集上进行了全面测试。这些数据来自不同的受试者群体和采集设置,为评估方法的泛化能力提供了理想平台。实验涵盖了最具挑战性的跨会话和跨被试两种场景。
跨会话分类结果:模型在同一位受试者不同时间记录的数据上进行训练和测试。BARN-DA取得了平均分类准确率分别为84.65% ± 8.97%、89.19% ± 7.69%和61.76% ± 12.68%的优异成绩,显著超越了EEGNet、FBCNet等多种先进基线方法。这证明该方法能有效克服因受试者状态、设备微调等引起的会话内变异。
跨被试分类结果:这是更具实用价值的评估,即在一些受试者数据上训练,然后直接应用于从未见过的受试者。BARN-DA的平均准确率达到65.49% ± 11.64%、78.78% ± 8.44%和78.14% ± 14.41%,同样在对比方法中名列前茅。这表明其提取的特征具有强大的受试者不变性,泛化能力卓越。
消融实验分析:通过逐一移除BACA模块、MSKP模块或R-MMD损失项,研究人员系统地验证了每个核心组件的贡献。结果显示,任意一个模块的缺失都会导致模型性能,特别是跨被试泛化能力显著下降。这充分说明了BARN-DA是一个有机整体,其设计的谱带-通道联合注意力、多尺度特征感知以及流形域对齐策略是相辅相成、缺一不可的。
与最优方法的对比:研究还将BARN-DA与近期发表的多种state-of-the-art方法进行了头对头比较。无论在哪个数据集、哪种实验设置下,BARN-DA在绝大多数情况下都取得了最高的分类精度,并且在统计上显著优于其他方法,确立了其技术领先性。
综合所有研究发现,本项研究成功地构建并验证了BARN-DA这一创新的运动想象脑电解码框架。其核心贡献在于,首次将频带感知的通道注意力机制与黎曼流形上的域适应技术无缝融合。所提出的BACA模块和MSKP模块协同工作,极大地增强了模型从低信噪比信号中挖掘判别性特征的能力。而创新设计的R-MMD损失,则巧妙地在黎曼流形空间解决了脑电信号固有的分布偏移难题,实现了高效的跨域特征对齐。
这项工作的意义远不止于几个百分点的准确率提升。它为解决脑机接口落地应用中的两大顽疾——低信噪比和域偏移——提供了一套系统性的、端到端的解决方案。该方法减少了模型对大量个体校准数据的依赖,朝着开发“即插即用”型脑机接口迈出了坚实一步。未来,这种融合频域先验知识、深度学习与微分几何的跨学科思路,不仅可应用于运动想象,也为情感识别、睡眠分期、癫痫检测等其他脑电解码任务提供了新的技术范式。这项发表于《Brain Sciences》的研究,无疑为下一代高性能、高鲁棒性脑机接口系统的开发点燃了一盏明灯。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号