基于MamBa的交互式频率卷积神经网络在运动想象解码中的创新应用

为解决脑机接口(BCI)中运动想象(MI)解码面临的低信噪比、非平稳性及复杂时空动力学难题，研究人员提出MIFNet——一种融合频谱-空间-时序特征的MamBa交互式频率卷积神经网络。该模型通过非重叠频带分解提取μ(8–12 Hz)和β(12–32 Hz)节律，结合ConvEncoder模块与基于选择性状态空间模型(SSMs)的MamBa时序模块，在三大公开数据集(BCIC-IV-2A/OpenBMI/High Gamma)上实现12.3%~5.5%的准确率提升，为实时BCI应用奠定基础。

　　

运动想象(Motor Imagery, MI)解码始终是脑机接口(Brain-Computer Interface, BCI)领域的核心挑战，这主要源于脑电图(Electroencephalography, EEG)信号固有的低信噪比特性、非平稳特征以及错综复杂的时空动力学过程。尽管深度学习模型已显著推进MI-EEG解码技术，现有方案——包括卷积神经网络(Convolutional Neural Networks, CNNs)、Transformer架构和循环神经网络(Recurrent Neural Networks, RNNs)——在全局时序依赖捕捉、位置一致性保持及计算效率优化方面仍存在明显局限。

为此诞生的MIFNet创新性地整合了三大核心技术：选择性提取运动想象相关μ(8–12 Hz)和β(12–32 Hz)节律的非重叠频带分解技术；自主融合双频带频谱-空间特征的ConvEncoder模块；以及基于MamBa框架的时序建模模块——该模块利用选择性状态空间模型(Selective State-Space Models, SSMs)，以线性计算复杂度高效捕获长程时序依赖。

在BCIC-IV-2A、OpenBMI和High Gamma三大权威数据集上的系统验证表明，MIFNet以压倒性优势超越EEGNet、FBCNet等基线模型，分类准确率平均提升达12.3%~5.5%。消融实验特别揭示，MamBa模块单在BCIC-IV-2A数据集上就贡献5.5%的精度飞跃。更令人振奋的是，该模型在跨验证场景中展现出卓越的泛化能力，为实时BCI系统开发提供了可靠技术支撑。这项研究开创性地证实了卷积神经网络与状态空间模型的杂交策略在EEG解码中的巨大潜力，成功弥合了局部特征提取与全局时序建模之间的技术鸿沟。