基于双通道注意力滤波组卷积网络的精细关节运动想象多类解码研究及其在康复系统中的应用

本文提出一种结合时频滤波组与双通道注意力机制(FB-DCANet)的创新方法，通过残差通道自注意力(RCSA)和高效通道注意力(ECA)实现多频带特征选择，在四分类精细关节运动想象(FJMI)解码中达到59.34%准确率，为基于运动想象脑机接口(MI-BCI)的康复系统开发提供新思路。

　　

Highlight

本研究提出具有双通道注意力的滤波组卷积网络(FB-DCANet)，通过时频域融合滤波组同步提取θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)和低γ(30-40Hz)四个频段的时空信息，结合时间卷积模块增强特征提取。创新性采用残差通道自注意力(RCSA)进行频带内初步特征选择，并通过高效通道注意力(ECA)实现跨频带特征优化，为多类精细关节运动想象解码提供新范式。

Data and Preprocessing

实验数据采集自18名右利手健康受试者（22-27岁，8男10女），涵盖手部开合、腕关节屈伸/外展内收、肘关节旋前旋后/屈伸、肩关节旋前旋后/外展内收/屈伸等八种精细关节运动想象任务。所有受试者均签署知情同意书，且未接触过运动想象脑机接口任务。

Methods

FB-DCANet框架包含频域四波段滤波预处理层，四个并行分支分别进行时域特征提取、初步特征选择和空间特征提取。通过残差通道自注意力模块实现频带内特征优选，特征图沿深度维度拼接后经高效通道注意力模块完成跨频带特征融合，最终通过全连接层实现分类。

Experiment Setup

采用五折被试内交叉验证策略（常见于FJMI解码研究），使用包含240次试验的数据集（每次试验4秒，采样率250Hz）。比较实验涵盖经典深度学习方法和消融实验，所有模型基于PyTorch框架在配备RTX 4090 GPU的服务器实现。

Comparison with methods based on deep learning

被试内对比实验显示，FB-DCANet在准确率和kappa值上均显著优于基线方法（Wilcoxon符号秩检验p值<0.05）。该方法在四分类任务中展现出59.34%的最高准确率，且标准差最低，表明模型具有优越的解码性能和稳定性。

The design of FB-DCANet

相较于先前研究的FB-CGANet架构，本网络创新性地将时域滤波组卷积层与各频段进行匹配：θ波段采用较大卷积核捕捉慢波特征，α/β波段使用中等尺度核，低γ波段配置小尺度核。双通道注意力机制通过RCSA强化频带内显著特征，ECA模块则基于频段间神经生理特性进行加权融合。

Conclusion

FB-DCANet通过时频域融合滤波组与双通道注意力机制的协同设计，有效提升多类精细关节运动想象解码性能。可视化分析表明模型注意力分布符合α/β波段事件相关去同步(ERD)的神经生理机制，为基于运动想象脑机接口的康复系统开发提供可靠技术路径。