基于PLV-GCN+LSTM模型的运动想象脑电信号多域信息融合分类算法

本文提出了一种创新的PLV-GCN+LSTM复合神经网络模型，通过相位锁定值（PLV）构建脑电（EEG）功能连接图，结合图卷积网络（GCN）提取空间特征和长短期记忆网络（LSTM）捕捉时序动态，显著提升了运动想象（MI）脑电信号的分类准确率。在自建数据集和BCI Competition IV 2a公开数据集上的实验表明，该模型相较传统方法（如CSP+SVM）和前沿深度学习模型（如EEGNet）平均提升准确率3.58-15.29个百分点，为脑机接口（BCI）的临床应用提供了新思路。

　　

Highlight

本研究针对运动想象（MI）脑电信号（EEG）分类的挑战，提出PLV-GCN+LSTM复合神经网络模型，通过动态功能连接和时空特征融合实现突破性性能提升。

Data acquisition

实验采用32导联脑电帽（Brain Products GmbH）采集数据，电极布局如图1所示。10名健康右利手受试者（平均年龄22岁）在安静环境中执行视觉提示的MI任务，参考电极为FC_Z，接地电极为AF_Z。

Methods

创新性结合相位锁定值（PLV）构建动态脑网络邻接矩阵，通过图卷积网络（GCN）解码非欧几里得空间关系，再经长短期记忆网络（LSTM）建模时序依赖。该混合架构克服了传统CNN对电极拓扑结构利用不足的缺陷。

Result

在PyTorch环境下验证显示：相较传统算法（CSP+SVM等），模型在自建数据集（IMUT）和BCI IV 2a数据集上分别提升准确率10.45-12.60和11.96-15.29个百分点；较ShallowConvNet等深度学习模型亦有3.58-7.88个百分点的优势。

Conclusion

PLV-GCN+LSTM通过PLV动态连接、GCN空间解码和LSTM时序建模的三重协同机制，为MI-BCI系统提供了兼具生理可解释性和分类性能的解决方案，在脑控轮椅等康复工程中具有应用潜力。