基于自适应边际差异与知识迁移的卷积神经网络混合方法在EEG运动想象分类中的应用

为解决脑机接口(BCI)中运动想象(EEG-MI)信号分类的时空特征提取难题，研究人员提出AMD-KT2D框架，通过OptSTFT将EEG信号转为2D时频图，结合改进ResNet50与定制CNN实现多尺度特征学习，并采用AMDD损失函数优化跨域知识迁移。实验显示模型在依赖/非依赖被试任务中分别达到96.75%和92.17%准确率，为BCI系统提供了高性能解决方案。

　　

脑机接口(BCI)技术正以前所未有的方式重塑人类与外部设备的交互模式，其中基于运动想象(Motor Imagery, MI)的脑电图(EEG)信号分类是核心挑战。想象左手或右手动作时，大脑运动皮层会产生事件相关去同步化(ERD)和同步化(ERS)特征，但这些信号具有低信噪比、个体差异大等特性。传统方法依赖固定卷积核的CNN模型，难以捕捉EEG信号的动态时空特征，而跨被试数据分布差异更导致模型泛化能力受限。

针对这些问题，SRMIST的研究团队Senthil Vadivelan.D与Prabhu Sethuramalingam在《Computers in Biology and Medicine》发表研究，提出名为AMD-KT2D的创新框架。该工作通过优化短时傅里叶变换(OptSTFT)将1D EEG信号转为2D时频图，构建"引导-学习"双模型架构：改进的ResNet50(IResNet50)从预训练数据中提取高阶特征，定制2D CNN(C2DCNN)则通过自适应边际差异损失(AMDD)实现跨域知识迁移。实验证明，该方法在Emotiv Epoc Flex系统采集的真实数据集中，左右手MI分类准确率突破96%，显著优于现有技术。

关键技术方法
研究采用32通道Emotiv Epoc Flex系统采集11个关键通道(FC5、C3等)的EEG-MI信号，通过OptSTFT优化窗函数和时频分辨率生成2D表征。AMD-KT2D框架中，IResNet50作为引导模型提取时空特征，C2DCNN通过AMDD损失对齐特征分布，最终输出分类结果。

研究结果

EEG-MI信号采集与预处理
选择覆盖感觉运动区的11个电极通道，通过CMS/DRL参考降噪。OptSTFT通过汉宁窗优化实现98.3%的时频特征保留率，较传统STFT提升12.6%。

模型架构设计
IResNet50引入残差注意力模块增强特征选择性，C2DCNN采用多分支结构捕获δ(0.5-4Hz)、μ(8-12Hz)、β(12-30Hz)等频段特征。AMDD损失通过动态调整边际阈值，使跨被试特征差异降低37.2%。

性能验证
在54名被试数据集中，模型依赖被试任务准确率达96.75±1.34%，非依赖任务92.17±2.01%。消融实验显示AMDD使跨会话泛化能力提升19.8%，OptSTFT贡献23.4%精度增益。

结论与意义
该研究通过混合深度学习架构解决了EEG-MI分类中的三大核心问题：(1)OptSTFT突破1D信号表征瓶颈；(2)AMDD实现跨被试知识迁移；(3)双模型协同优化多尺度特征。在神经康复、智能假肢等领域具有应用价值，未来可扩展至多类MI任务。作者指出，模型轻量化与实时性优化是下一步研究方向。