编辑推荐：
在脑机接口（BCI）领域，基于运动想象（MI）的 BCI 存在解码准确率低、校准困难等问题。研究人员开展了运动执行（ME）与 MI 任务间的迁移学习研究。结果表明 ME 训练的深度学习模型可有效分类 MI 任务，这为 BCI 应用提供了新策略。
在科技飞速发展的今天，脑机接口（Brain - Computer Interface，BCI）宛如一座桥梁，试图搭建起人类大脑与外部世界直接沟通的通道。它能记录大脑活动，解码用户意图，进而控制外部设备，在医疗康复、人机交互等领域有着巨大的潜力。然而，当前基于运动想象（Motor Imagery，MI）的 BCI 却面临着诸多挑战。一方面，脑电图（Electroencephalography，EEG）信号存在空间分辨率低、信噪比（Signal - to - Noise Ratio，SNR）低的问题，使得从 EEG 信号中解码用户意图困难重重，导致 BCI 的解码准确率难以令人满意，约 10% - 50% 的用户受到 “BCI 低效” 问题的困扰，无法实现有效的 BCI 控制（通常指在二元 MI 任务中准确率超过 70% 的阈值）。另一方面，传统的校准方式存在缺陷，用户在执行 MI 任务进行校准训练时，往往得不到及时有效的反馈，这不仅影响了校准效果，还容易让用户在长期的技能学习过程中产生挫败感，降低学习积极性。而且，由于 EEG 数据存在个体间和不同时段的差异，机器学习模型每次都需要重新校准，进一步增加了使用的复杂性。
为了解决这些难题，研究人员开展了一项极具意义的研究。虽然此前有研究探索过 ME 和 MI 任务之间的联系，但尚未有人研究仅用 ME 数据训练的深度学习（Deep Learning，DL）模型能否在不针对 MI 任务进行微调的情况下，可靠地对 MI 进行分类，以及 ME 和 MI 任务表现之间是否存在相关性。本研究聚焦于此，旨在评估 DL 模型在 ME 和 MI 任务之间的直接迁移学习（Transfer Learning，TL）能力，并通过可解释人工智能（Explainable Artificial Intelligence，XAI）技术解读模型在不同任务中学习到的模式及其关系。
研究人员分析了包含 109 名健康参与者 EEG 记录的公共数据库，这些参与者在无反馈的情况下进行了 MI 和 ME 任务。在研究过程中，主要运用了以下关键技术方法：一是数据预处理，包括低通滤波、陷波滤波、公共平均参考空间滤波、重采样、数据标准化等一系列操作，对原始 EEG 数据进行优化；二是采用 EEGSym 这一专门为跨个体 MI 分类设计的卷积神经网络（Convolutional Neural Network，CNN）架构进行模型训练；三是运用留一法（leave - one - subject - out，LOSO）进行模型训练和评估，并通过 Wilcoxon 符号秩检验和 Benjamini–Hochberg 方法调整错误发现率（False Discovery Rate，FDR）来分析不同场景下的模型性能差异；四是利用基于 Shapley 加性解释（Shapley Additive Explanations，SHAP）的 XAI 技术，对模型决策过程进行可视化分析。
研究结果如下：
- 跨任务迁移学习分析：跨个体 ME 到 ME 分类的准确率较高，三类任务平均为 83.07% ± 8.95%，二类任务为 88.51% ± 8.43%；MI 到 MI 分类的三类任务准确率为 80.16% ± 10.97%，二类任务为 86.45% ± 10.33%；令人惊喜的是，ME 到 MI 的迁移学习在 MI 二类任务上保持了较高的准确率，达到 86.21% ± 9.73%，与 MI 到 MI 场景下的准确率相比无显著差异。不过，在三类任务中，其准确率相较于 MI 到 MI 场景下降了 2%，为 78.08% ± 10.97%。通过混淆矩阵分析发现，使用 ME 训练的模型在 MI 任务中，对 MI 左右手类与休息类之间的误分类有所增加，但对休息类的正确分类性能有所提高。进一步的相关性分析表明，ME 到 ME 和 ME 到 MI 分类的准确率之间存在显著正相关（Pearson 相关系数为 0.6057，p < 0.001），这意味着在 ME 任务中表现较好的个体，在 MI 任务中也更有可能取得较好的成绩。同时，ME 训练的模型在更多受试者上实现了对 MI 数据的有效控制，减少了无反应受试者的数量。
- 基于 XAI 的脑模式可视化：通过特征归因图和地形图分析发现，对于 MI 和 ME 任务，EEG 信号的前一秒对模型分类左右手类最为关键，而休息类的特征归因图在时间上更为均匀分布，表明模型在判断休息类时会综合考虑整个信号持续时间。在不同的时间窗口（0 - 0.5s、0.5 - 1s、1 - 3s）内，模型关注的空间模式有所不同。在 0 - 0.5s，MI 和 ME 任务中，大脑对侧的额颞和顶枕区域电极相关性最高；0.5 - 1s，MI 任务中模型依赖同侧额中央电极，而 ME 任务依赖对侧，导致两者在同侧 FC1 - FC2 信息上呈现强负相关；1 - 3s，ME 任务强调 C5 - C6 的活动，MI 任务则关注 C3 - C4 和 T7 - T8 的组合活动，但对侧和同侧的部分额叶电极仍保持较高的相关性和重要性。
在结论与讨论部分，该研究成果具有重要意义。首先，研究证明了 ME 数据训练的 DL 模型无需针对 MI 任务微调，就能有效对 MI 任务进行分类，这为 BCI 应用提供了新的思路。例如，可以建立基于 ME 的预运行阶段，帮助新用户更好地理解和执行 BCI 任务，缩短学习曲线，提高整体 BCI 控制能力，同时还能减少用户疲劳和提高积极性。其次，研究揭示了 ME 和 MI 数据学习模式的异同，通过引入休息类，增强了特征归因图的可解释性，为深入理解大脑活动与 BCI 任务之间的关系提供了有力支持。然而，研究也存在一定的局限性，如仅聚焦于二元上肢分类任务，未涉及更多复杂动作；数据来自单次会话且无反馈，缺乏对长期学习和适应的评估；参与者均为健康个体，未在临床人群中验证等。未来的研究可以朝着多类分类任务、长期效果评估、临床应用验证以及探索新的模型架构等方向展开。总之，这项发表在《Biomedical Signal Processing and Control》上的研究，为脑机接口领域的发展提供了重要的理论依据和实践指导，有望推动 BCI 技术在康复治疗等实际应用中的进一步发展。
