功能连接引导的深度神经网络解码高级视觉想象：推动脑机接口技术在机器人控制中的应用突破

本研究针对传统脑机接口(BCI)中运动想象(MI)范式存在用户直觉性差、信号变异大等问题，创新性地提出高级视觉想象范式，开发了整合功能连接指标(PLV)与卷积神经网络-图像转换器(FCDN)的深度学习架构。研究通过离线/伪在线分析验证了该框架在四类复杂上肢动作解码中的有效性(平均准确率72.34%)，LOSO交叉验证证实其跨被试适应性，为开发直观、稳定的非侵入式EEG控制机器人系统提供了新思路。

　　

在脑机接口技术蓬勃发展的今天，如何实现自然、直观的人机交互始终是核心挑战。传统运动想象(Motor Imagery, MI)范式虽然广泛应用于脑电(EEG)控制，但存在显著局限性：用户需要反复练习特定肌肉群的"想象"动作，这种反直觉的操作方式导致个体差异大、信号不稳定。更棘手的是，现有视觉想象范式多局限于二维简单图形识别，与真实场景中的三维复杂动作控制需求严重脱节。这些瓶颈使得脑控机器人等高端应用始终难以突破实验室阶段。

针对这些关键问题，来自Korea University的研究团队在《Expert Systems with Applications》发表创新成果。他们开创性地提出"高级视觉想象"范式，让受试者通过观看三维动作视频（如接电话、倒水等）进行心理模拟，并开发了功能连接引导的深度神经网络(Functional Connectivity-guided Deep Neural Network, FCDN)进行解码。研究表明，这种新范式不仅能激发更稳定的神经响应模式，其构建的深度学习框架在四分类任务中达到72.34%的平均准确率，伪在线分析验证了实时应用可行性，为脑控机器人系统开发提供了突破性解决方案。

研究采用多模态技术路线：首先通过64导EEG系统采集15名健康受试者在执行四类三维动作想象时的神经信号；采用相位锁定值(Phase Locking Value, PLV)量化脑区功能连接特征；构建的FCDN网络整合了卷积模块（提取时域特征）与数据高效图像转换器(Data-efficient image Transformer, DeiT)模块（捕捉空域特征）；通过五折交叉验证和留一被试交叉验证(LOSO)分别评估模型性能。

在"数据特征分析"部分，功率谱分析揭示高级视觉想象在Fz导联（前额叶）诱发显著δ波(0.5-4Hz)，Oz导联（枕叶）同时出现δ波和α波(8-13Hz)活动，这与传统视觉想象的神经机制相符但响应更强。功能连接可视化显示，高绩效组被试在前额叶和枕叶区域呈现规律性连接模式，而低绩效组连接紊乱，证实PLV指标的有效性。

"分类性能比较"结果显示，FCDN网络以72.34%的平均准确率显著优于传统方法：比EEGNet提高10.25%，较FBCNet提升6.82%。特别值得注意的是，在Sub14被试中达到87.20%的峰值性能，证明优秀使用者能实现近乎实用的控制精度。消融实验证实，移除功能连接模块会导致平均性能下降2.37%，特征可视化显示该模块能显著增强前额叶-枕叶区域的神经表征聚焦。

研究通过创新的"伪在线分析"验证实时应用潜力。采用2秒滑动窗口（50%重叠）的模拟实验显示，最优被试(Sub14)在40次试验中达成91%的指令识别成功率。在更具挑战性的"跨被试验证"中，FCDN以49.60%的LOSO准确率领先基线模型，表明该系统具备一定的通用性基础。

这些发现具有多重重要意义：在理论上，首次证实复杂三维动作想象可诱发稳定的δ-α跨频段耦合模式；在方法学上，开创性地将功能连接度量与深度学习相结合，解决了EEG信号空域变异大的难题；在应用层面，伪在线验证表明该系统已具备初步实时控制能力，为开发新一代脑控康复机器人奠定基础。研究团队指出，未来将通过扩大动作类别库、优化网络轻量化设计等途径，推动该技术向临床转化，最终帮助瘫痪患者重建运动功能。

值得关注的是，Pearson相关性分析显示多数被试的PLV模式具有显著相关性(r>0.3)，这种跨被试一致性为开发通用型BCI系统提供了可能。但研究也发现个别被试(如Sub15)呈现独特想象模式，提示个性化校准仍是必要环节。这些发现为脑机接口领域的关键挑战——"如何平衡通用性与个性化需求"提供了重要实证依据。