基于全可解释卷积神经网络揭示脑电振荡的多域特征：一种端到端的自动分析方法

这篇研究开创性地提出了一种基于全可解释卷积神经网络（CNN）的脑电（EEG）多域特征分析框架，通过自动学习频域、空间域和时域的最优特征，克服传统EEG分析中预处理繁琐、主观性强等局限。该框架在运动想象任务中成功捕捉到α波段（8-13 Hz）的神经振荡特征，与经典分析结果一致，为脑功能研究和神经病理追踪提供了高效、可靠的新工具。

　　

亮点

本研究首次利用全可解释卷积神经网络（CNN）实现脑电（EEG）信号在频域、空间域和时域的多维度自动解析，为神经科学研究提供了一种"端到端"的分析范式。

运动想象的多域特征解析

在所有解码任务中，我们的全可解释CNN（含三种变体）表现显著高于随机水平（详见3.2节），表明其成功学习了运动想象任务的关键特征。由于本研究核心目标是开发基于CNN的EEG分析工具，我们首先展示从网络特征学习中提取的运动想象多域特征。值得注意的是，三种网络变体在特征学习方面未呈现显著差异（p>0.05），因此后续分析采用标准版网络结果。

讨论

本研究提出的EEG分析框架通过全可解释CNN的自动特征学习，首次实现了认知任务中神经振荡的多域（频域/空间域/时域）自动解析。与依赖人工预处理的传统方法相比，该框架直接从轻度预处理的EEG信号中提取特征，在运动想象任务中准确识别出α波段（8-13 Hz）在运动皮层的时域激活模式——这与经典事件相关谱扰动（ERSP）分析结果高度吻合，验证了方法的可靠性。

结论

我们开发的全可解释CNN框架能以数据驱动方式自动揭示认知任务中最具代表性的EEG特征。这种"端到端"的分析范式不仅适用于健康人群的脑功能研究，未来更可拓展至神经系统疾病患者的异常神经振荡追踪，为临床诊断提供新视角。