基于轻量化脉冲神经网络的脑电运动想象分类模型研究

本研究针对脑机接口(BCI)中脑电(EEG)信号时空特征提取难题，提出一种轻量化脉冲神经网络(SNN)模型，通过空间-时间卷积与漏积分发放(LIF)神经元结合，实现高效、低能耗的运动想象(MI)分类。实验表明，该模型在跨数据集和跨受试者场景下均优于传统卷积神经网络(CNN)，参数减少50%以上，为临床神经康复等应用提供新方案。

　　

在脑科学与人工智能的交叉领域，解码大脑活动始终是极具挑战性的课题。想象一下，当一位中风患者试图通过"意念"控制机械臂时，其大脑产生的微弱电信号如何被准确识别？这正是脑机接口(BCI)技术需要解决的核心问题。传统基于脑电图(EEG)的运动想象(MI)分类方法面临两大困境：一方面，EEG信号具有非线性、非平稳特性，传统机器学习依赖人工特征提取；另一方面，深度学习方法虽能自动学习特征，但传统人工神经网络(ANN)能耗高且难以捕捉时空动态。更关键的是，现有模型往往需要针对不同数据集重新调参，严重制约临床落地应用。

针对这些瓶颈，中国的研究团队在《Neural Networks》发表了一项突破性研究。他们创新性地将生物启发的脉冲神经网络(SNN)引入EEG解码领域，构建了兼具高精度与低能耗的轻量化模型。该模型通过模拟大脑神经元脉冲发放机制，在三个公开数据集上实现了跨受试者分类准确率提升，同时能耗降低超50%，为便携式BCI设备开发铺平道路。

研究团队采用三项关键技术：空间卷积层重构EEG拓扑结构，时间卷积层进行动态滤波，以及可训练的漏积分发放(LIF)神经元自适应编码脉冲。实验数据来自BCI Competition IV 2a等公开MI-EEG数据集。通过对比EEGNet、ShallowConvNet等四种经典CNN模型，采用留一受试者交叉验证评估性能。

Related works部分系统梳理了MI分类算法发展脉络，指出SNN在时空信号处理上的理论优势。Methodology详细阐述了模型架构：空间卷积捕捉电极间关系，时间卷积提取频域特征，LIF神经元将连续信号转化为脉冲序列，最后通过脉冲发放率解码分类。Experiments and results显示，该模型在跨数据集测试中平均准确率达78.3%，较最优CNN提升4.2%，且参数数量仅为CNN的46%。特别值得注意的是，模型使用同一组超参数即在所有数据集表现稳定，验证了其泛化能力。

Conclusions部分强调，这是首个将空间-时间卷积SNN成功应用于MI分类的研究。其创新性体现在三方面：生物学合理性——LIF神经元更贴近真实神经活动；计算高效性——脉冲稀疏性带来显著能耗优势；工程实用性——参数敏感性低便于部署。研究团队特别指出，该模型在神经康复机器人、智能轮椅控制等医疗场景具有应用潜力。

这项研究的科学价值在于，它架起了神经科学与人工智能的桥梁——用类脑算法解码大脑信号。正如作者Dongrui Wu在讨论部分所言："SNN的脉冲时序编码机制与EEG的时空动力学存在天然契合度"。未来工作将探索更复杂的SNN架构，并开展临床环境下的实时BCI测试。该成果不仅推进了计算神经科学前沿，也为医疗AI的落地提供了新范式。