基于动态自适应CosELU激活函数的卒中患者运动想象脑电信号识别算法研究

为解决卒中患者运动想象脑电信号（MI-EEG）识别中梯度爆炸与梯度消失问题，研究人员提出动态自适应CosELU激活函数，结合注意力机制卷积神经网络（AMCNN），显著提升信号分类准确率。该研究通过可调参数a与自适应参数λi+调控梯度，验证了其在临床数据集上的有效性，为神经康复提供了新工具。

　　

卒中患者的运动功能障碍康复一直是医学领域的重大挑战，而基于运动想象脑电信号（Motor Imagery Electroencephalogram, MI-EEG）的脑机接口（Brain-Computer Interface, BCI）技术为精准康复提供了新思路。然而，传统深度神经网络在训练卒中患者的MI-EEG信号时，常因激活函数的梯度爆炸（Exploding Gradient）和梯度消失（Vanishing Gradient）问题导致识别率下降。此外，现有算法多依赖非端到端的特征提取流程，效率低下。针对这些瓶颈，吉林大学第二附属医院联合团队在《Neural Networks》发表研究，提出了一种革新性解决方案。

研究团队首先构建了卒中患者MI-EEG专用数据集，采用8通道BIOPAC设备采集信号，确保数据质量。核心创新点在于开发了动态自适应CosELU激活函数，通过可调参数a和自适应参数λ_i⁺实时调控梯度，有效缓解深度网络训练中的梯度异常问题。同时，设计了一种端到端的注意力机制卷积神经网络（AMCNN），整合深度可分离卷积与通道注意力机制，直接处理原始EEG信号，避免传统特征提取的冗余步骤。

数据采集平台
研究在严格控制的环境下采集20名卒中患者的MI-EEG信号，要求受试者保持静息状态执行运动想象任务，确保信号纯净度。

AMCNN网络结构
网络采用三层架构：深度卷积层提取时域特征，可分离卷积层捕捉空域特征，通道注意力机制动态加权重要特征通道。实验表明，该结构对MI-EEG的时空特征具有显著学习能力。

实验结果
在8:2划分的训练/测试集上，CosELU+AMCNN组合的准确率达92.3%，较传统ReLU提升11.2%。消融实验证实，λ_i⁺的动态调整使梯度稳定性提高37%。

这项研究的突破性在于：首次将动态梯度控制机制引入EEG信号识别领域，CosELU的数学形式（融合余弦函数与指数线性单元）兼具平滑性与适应性；AMCNN的端到端设计大幅提升临床实用性。未来可扩展至其他神经系统疾病的电信号分析，为个性化康复提供算法支撑。国家自然科学基金（62373065等）和吉林省科技厅项目（20240101336JC）的支持，体现了该研究的临床转化潜力。