基于单向LSTM和磁强计SQUID-MEG通道选择的3D手部轨迹预测算法研究

本文提出了一种结合因果感知混合解码网络与投票式通道选择的新算法，用于3D手指运动轨迹预测。该研究针对传统脑磁图（MEG）方法存在的通道冗余和因果性不足问题，创新性地采用滑动窗口平均功率相关分析筛选与视觉-运动皮层密切相关的关键通道（仅需18个），并构建以单向长短期记忆网络（Uni-LSTM）为核心的解码模型，在保证信号因果性的同时显著提升轨迹预测精度（最差轴平均相关性达0.849±0.050），为实时脑机接口（BCI）系统在康复训练等场景的应用提供了更轻量化、可解释性强的解决方案。

　　

亮点

• 我们采用了一种通道选择算法，该算法利用MEG信号的时频信息以时间延迟方式评估通道连通性，并从视觉与运动联合任务的热点区域内驱动通道选择过程。

• 我们设计了一种结合单向LSTM和卷积网络的解码算法，以较少数目但关键的MEG通道实现高预测性能，并优先处理速度和因果性，这对实时解码和BCI控制至关重要。

• 我们将所设计流程应用于3D手指运动解码任务。仅使用覆盖视觉和运动区域的18个单极磁强计通道，模型在轨迹预测的最差轴上实现了最低0.699、平均0.849的相关性。

方法

图1展示了解码任务的处理流程，其核心是通道选择算法和轨迹预测模型。轨迹预测任务包括两部分：解码MEG信号并利用其特征计算手指运动，以及选择对实验范式贡献最大的MEG通道。前者是一个多维回归问题，后者则是基于解码性能优化输入通道数量的过程。

实验范式与数据集

我们使用来自[9]的数据集进行研究。实验旨在收集在3D空间内进行目标指向任务期间的MEG活动。9名受试者参与研究，均为右利手，并经爱丁堡利手量表评估确认（87.2±5.7分）。参与者以舒适姿势坐在投影屏幕前，屏幕配置为显示立体3D图像，模拟一个呈现球体视觉线索的3D空间。

模型性能与比较

我们的模型与[9]中报告的预测性能比较见表2和表3。

根据以上结果，并参考[10]的结果，我们的模型在皮尔逊相关系数方面优于这两个参考模型，同时相较于Kim的方法（采用了包含超过400个输入通道的源定位信息）使用了更少的信息。另一个值得提及的方面是我们的模型...

模型中单向LSTM与双向LSTM的比较

我们的模型与[10]和[9]中的模型的一个主要区别是我们仅使用单向LSTM，而非其双向对应物。多篇文章在多个领域的实验表明，双向LSTM（Bi-LSTM）通常优于单向LSTM（Uni-LSTM），这源于它们能利用未来的信息[29], [30]。

然而，我们期望我们的模型能应用于实时机器人控制场景，因为指向任务是...

结论

在本文中，我们提出了一种结合因果感知混合解码网络和投票式通道选择方法的算法。我们实现了一个利用滑动窗口平均功率相关分析的通道选择过程，优先选择与视觉和运动皮层活动有明确联系的参考通道。信号处理通过单向长短期记忆（LSTM）层利用了数据中固有的时间动态特性，保留了信号因果性，并...