基于罗马支配的脉冲神经网络优化四类运动想象脑电信号分类

为解决运动想象(EEG)信号多分类任务中脉冲神经网络(SNN)特征提取能力不足的问题，研究人员创新性地将图论中的罗马支配算法与SNN结合，提出RDSNN模型。该模型通过相位锁定值(PLV)构建相关图网络，识别关键脑电通道并优化脉冲生成阈值，在PhysioNet、BCI IV-2a和2b数据集上分别取得73.65%、81.75%和84.56%的准确率，较现有技术提升性能的同时降低35%计算耗时，为运动障碍康复评估提供新思路。

　　

研究背景与意义
脑机接口(BCI)技术中，运动想象(Motor Imagery, MI)范式因其与真实运动共享神经机制的特性，成为卒中康复和帕金森病评估的重要工具。然而，传统人工神经网络(ANN)难以捕捉脑电信号(EEG)的时空动态特征，而第三代脉冲神经网络(Spiking Neural Network, SNN)虽具生物神经元仿生优势，却因结构限制在多分类任务中表现欠佳。尤其当涉及四类肢体运动想象时，大脑皮层激活区域的重叠使得特征提取更加困难，亟需开发兼顾效率与精度的新型算法。

研究方法与技术
研究人员提出罗马支配脉冲神经网络(Roman Domination SNN, RDSNN)，通过三阶段实现突破：首先利用相位锁定值(Phase Locking Value, PLV)分析多通道EEG相关性，构建相位同步矩阵；随后应用罗马支配算法从相关图中筛选关键通道，生成罗马支配矩阵(RDM)；最终基于RDM构建SNN分类器，采用动态阈值优化脉冲生成。实验使用PhysioNet、BCI Competition IV-2a和IV-2b三个公开MI数据集验证性能。

研究结果
Proposed work and methodology
通过PLV构建的相位同步矩阵成功量化了EEG通道间功能连接，罗马支配算法筛选出的关键通道（如C3/C4运动区电极）显著提升特征表征效率。RDM将原始64通道数据压缩至15-20个核心通道，减少冗余计算。

Experimental results and analysis
在PhysioNet数据集上，RDSNN以73.65%准确率超越HR-SNN模型的67.24%；对于BCI IV-2a四分类任务，81.75%的精度较SCNet的67.43%提升显著；在BCI IV-2b二分类任务中达到84.56%准确率，较LENet提高5.39%。计算耗时降低35%源于罗马支配的通道优化策略。

Conclusion and future direction
该研究首次将图论中的罗马支配引入SNN架构，突破性地解决了MI-EEG多分类中的特征选择难题。相比现有技术，RDSNN在保持生物可解释性的同时，兼具计算高效性，为临床神经康复设备开发提供新范式。未来可探索该模型在更复杂运动障碍（如肌萎缩侧索硬化症）中的应用潜力。

重要意义
这项发表于《Computers in Biology and Medicine》的研究，通过学科交叉创新将数学图论与神经计算结合，不仅为运动想象分类建立新标准（准确率提升最高达14.32%），其通道优化思想更为资源受限的嵌入式BCI设备开发指明方向。研究证实罗马支配算法能有效识别EEG网络中的关键节点，这一发现可能拓展至其他时序信号处理领域，如癫痫预测或睡眠分期分析。