基于CNN-LSTM的三维时空EEG信号解码肌肉活动研究

为解决非侵入式脑电信号(EEG)解码肌肉活动(EMG)的难题，研究人员创新性地提出将EEG频段包络转化为三维时空矩阵，并构建CNN-LSTM混合深度学习模型。该研究在抓举任务中实现AD与CED肌肉活动的高精度解码（平均CC=0.76），显著优于传统线性回归(mLR)和感知机(MLP)方法，为脑机接口(BCI)和神经康复提供了新范式。

　　

在脑机接口(BCI)领域，如何通过非侵入式脑电图(EEG)解码肌肉活动(EMG)一直是重大挑战。尽管EEG具有无创、便携等优势，但其信号易受颅骨衰减和噪声干扰，且空间分辨率有限，导致从混合皮层信号中提取肌肉活动特征异常困难。这一瓶颈严重制约了基于EEG的运动功能重建技术在神经康复、功能性电刺激(FES)和智能假肢等领域的应用。

研究人员创新性地提出将EEG信号分解为δ、θ、α、β、γ五个频段包络，并转化为三维时空矩阵以保留电极空间信息。通过结合卷积神经网络(CNN)的空间特征提取能力和长短期记忆网络(LSTM)的时序建模优势，构建了混合深度学习模型。研究采用公开数据集WAY-EEG-GAL中12名健康受试者的32导联EEG和5通道EMG数据，在抓握-举起(GAL)任务中对比了CNN-LSTM与多元线性回归(mLR)、多层感知机(MLP)的性能。

数据描述
实验使用前臂肌肉（包括三角肌前束AD和指伸肌CED等）的EMG包络作为解码目标，EEG特征通过希尔伯特变换提取频段包络，并插值为64×64×5的时空矩阵。

结果
CNN-LSTM模型在nRMSE(0.21±0.05)、R²(0.54±0.17)和CC(0.76±0.10)三项指标上均显著优于对照组(p<0.016)。高频段(β/γ)对解码贡献更大，AD肌肉重建效果最佳（部分受试者CC>0.7）。

讨论
该研究首次证实EEG时空特征与肌肉活动的非线性映射关系可通过深度学习有效建模。相比传统方法，CNN-LSTM能同时捕捉电极空间分布和神经活动时序演化特征，为开发无需植入电极的运动功能重建系统奠定基础。未来结合功能性近红外光谱(fNIRS)等多模态数据有望进一步提升解码精度。

结论
这项发表于《Computer Methods and Programs in Biomedicine》的研究，通过三维时空EEG表征与CNN-LSTM架构的创新结合，突破了非侵入式肌肉活动解码的技术瓶颈。Golnaz Amiri和Vahid Shalchyan团队的工作不仅推动了BCI在神经康复中的应用，更为理解运动控制的神经机制提供了新工具。该成果对开发新一代智能假肢、FES系统和力量辅助装置具有重要指导价值。