基于白化与多尺度特征融合的EA-EEG模型：高效运动想象脑电分类新方法

为解决运动想象脑电（MI-EEG）信号非平稳性导致的分类难题，研究人员提出EA-EEG模型，通过白化预处理降低通道相关性，结合多尺度池化策略（RMS Pooling）和原型分类，显著提升分类性能。在BCI4-2A和BCI4-2B数据集上分别达到85.33%（Kappa=0.804）和88.05%（Kappa=0.761）的准确率，为BCI康复、假肢控制等应用提供新方案。

　　

脑电图（Electroencephalography, EEG）凭借其毫秒级时间分辨率，已成为神经科学和脑机接口（Brain-Computer Interface, BCI）研究的利器。当受试者进行运动想象（Motor Imagery, MI）时，EEG信号会呈现与真实运动相似的神经活动模式，这种特性使其成为BCI控制的理想信号源。然而，MI-EEG信号天生带着"善变"的脾气——不同任务或个体间频率特征飘忽不定，给传统分类方法带来巨大挑战。常规的带通滤波和标准化处理就像用固定网眼的渔网捕鱼，难以应对这种动态变化。

研究团队开发的EA-EEG模型祭出两大法宝：首先用白化技术给EEG信号"卸妆"，消除通道间冗余相关性，让特征提取网络能看清信号本质；接着采用多尺度时空特征捕手——将卷积神经网络与均方根池化（Root Mean Square Pooling）组合成"时空显微镜"，从不同尺度捕捉关键特征。最后的原型分类器如同经验丰富的鉴宝师，通过比对特征与各类原型的相似度实现精准分类。

在BCI竞赛经典数据集上的测试结果令人振奋：BCI4-2A数据集上85.33%的准确率（Kappa=0.804）和BCI4-2B数据集上88.05%的准确率（Kappa=0.761），性能均超越现有方法。这些数据证实EA-EEG能驯服"调皮"的非平稳信号，为智能假肢控制、中风康复训练等应用铺就了更可靠的技术通路。