《Frontiers in Computational Neuroscience》：A sliding window and Fourier decomposition method based 1D-CNN framework for motor imagery EEG classification
编辑推荐：
脑电图（Electroencephalography, EEG）信号分类是有效运动想象（Motor Imagery, MI）脑机接口（Brain-Computer Interface, BCI）应用的基本要求。然而，当前MI分类方法通常依赖手工设计的空间滤波或
脑电图（Electroencephalography, EEG）信号分类是有效运动想象（Motor Imagery, MI）脑机接口（Brain-Computer Interface, BCI）应用的基本要求。然而，当前MI分类方法通常依赖手工设计的空间滤波或复杂时频变换，增加了计算复杂度。为缓解这一局限，研究人员提出了一种统一架构，将滑动窗口（Sliding Window, SW）、Fourier分解方法（Fourier Decomposition Method, FDM）和一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1D-CNN）集成用于MI-EEG分类。原始EEG数据采用SW方法进行分段以增广数据，并从每个试次中提取更多时间特征模式。包含时域特征的分段信号随后通过带通滤波器和FDM处理，以提取基于频率的特征。此处，FDM将信号分解为八个正交Fourier固有频带函数（Fourier Intrinsic Band Functions, FIBFs）。采用1D-CNN架构从分解后的EEG信号中学习表征。所提出的框架在BCI Competition III Dataset IVa（BCIC III IVa）和BCI Competition IV-2a（BCIC IV 2a）数据集上进行了评估。在被试依赖评估协议下，该方法在BCIC IV 2a和BCIC III IVa数据集上分别达到79.14%和93.67%的准确率。为评估跨被试泛化，所提出框架使用留一被试交叉验证（Leave-One-Subject-Out, LOSO）协议进行验证，在BCIC III Dataset IVa和BCIC IV 2a数据集上分别取得76.49%和55.50%的平均分类准确率。此外，在NVIDIA Jetson Nano上部署显示完整流水线延迟分别为58.119 ms/试次和85.055 ms/试次，对应BCIC III IVa和BCIC IV 2a数据集的吞吐量分别为17.21和11.76试次/s。结果表明，所开发的MI-EEG分类方法在辅助运动障碍被试方面具有强大潜力。
论文围绕运动想象（Motor Imagery, MI）脑电（Electroencephalography, EEG）分类在脑机接口（Brain-Computer Interface, BCI）中的应用展开。MI-EEG可用于运动障碍患者与外部设备通信，但EEG存在低信噪比、电子伪迹、眼眨与肌肉运动干扰、低信息传输率、高维度和被试依赖等问题。现有MI分类方法多依赖手工空间滤波、固定滤波器组或复杂时频变换，计算复杂度高；短时时间模式捕获不足；固定频带难以适应动态神经活动；高维特征易过拟合；且很多流程缺少时间分段与特征压缩的统一结构，影响实时处理。为此，研究人员提出统一框架，将滑动窗口（Sliding Window, SW）、Fourier分解方法（Fourier Decomposition Method, FDM）和轻量一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1D-CNN）结合，用于BCIC III IVa和BCIC IV 2a数据集，考察被试依赖和跨被试泛化，并部署到NVIDIA Jetson Nano。研究结论显示，该方法在被试依赖二类/多类分类中取得较高准确率，在LOSO下具一定跨被试能力，并显示出低功耗嵌入式部署潜力，可为运动障碍辅助BCI提供参考。
关键技术方法：研究使用BCIC III IVa（5名被试，右手与脚，100 Hz，选取22通道）和BCIC IV 2a（9名被试，舌、左手、右手、脚，250 Hz）公共数据集。原始EEG先经SW重叠分段进行数据增广，每试次形成7个窗口；再经8–30 Hz带通滤波，使用FDM基于快速Fourier变换（Fast Fourier Transform, FFT）和逆快速Fourier变换（Inverse Fast Fourier Transform, IFFT）将频谱划分为8个子带并重建Fourier固有频带函数（Fourier Intrinsic Band Functions, FIBFs）；各通道FIBFs作为特征图输入轻量1D-CNN，经卷积、批归一化、修正线性单元（ReLU）、自适应平均池化和全连接层分类。评估采用被试依赖及校准式留一被试交叉验证（Leave-One-Subject-Out, LOSO），并在Jetson Nano进行离线推理。
研究结果：
4.1 Multiclass and binary subject dependent evaluation（多类与二类被试依赖评估）：在BCIC IV 2a四类被试依赖分类中，平均准确率79.14±12.82%，精确率80.33±10.92%，召回率79.09±12.25%，特异度92.98±4.19%，F
1-score 0.78±0.12；S1和S8较高，S6较低。混淆矩阵显示右手100%、左手92.86%、双脚85.71%、舌84.62%被正确分类。BCIC III IVa二类被试依赖平均准确率93.67±9.91%，精确率96.67±7.46%，召回率89.37±15.69%，F
1-score 0.92±0.12；aw和ay达到100%，av较低。混淆矩阵显示右手98.28%、脚89.29%正确分类。
4.2 Binary and multiclass subject-independent evaluation（二类与多类被试独立评估）：采用校准式LOSO，留出被试20%试次校准、80%测试。BCIC III IVa二类平均LOSO准确率76.49±14.74%，al最高91.96%，ay最低60.71%。BCIC IV 2a四类平均55.50±19.01%，S3最高83.60%，S5最低33.70%，显示四类跨被试变异性更大。
4.3 Experimental validation（实验验证）：在相同预处理、增广、FDM八FIBFs、LOSO和训练设置下重新实现EEGNet、FBCNet、TCANet、EEG Conformer、Min2Net、SST-DPN、SCLDGN和EEG-DG。BCIC III IVa上所提框架平均76.49±14.74%，高于比较模型；BCIC IV 2a上所提55.50±19.01%，也为最高均值。统计上，对BCIC IV 2a，多数比较在配对t检验和Wilcoxon检验中显著，与EEGNet和SST-DPN不显著；BCIC III IVa仅配对t检验对EEGNet显著。
4.4 Ablation study（消融研究）
4.4.1 Effect of FIBFs（FIBFs影响）：测试6、8、10、12个FIBFs，8个FIBFs在BCIC IV 2a和BCIC III IVa均最高，分别为79.14±12.83%和93.67±9.91%；较少分解不足，较多造成频谱碎片化且未提升。
4.4.2 Comparison with conventional FFT-based filter bank（与传统FFT滤波器组比较）：相同8–30 Hz、8频带、7窗口和1D-CNN下，FDM在BCIC III IVa和BCIC IV 2a分别达93.67±9.91%和79.14±12.82%，优于传统FFT滤波器组的89.75±12.56%和70.35±15.77%，平均提升3.92%和8.79%。
4.4.3 Architectural contribution analysis（架构贡献分析）：BCIC IV 2a从原始EEG+1D-CNN的52.29±14.48%，加入SW升至70.19±14.41%，仅FDM为67.49±16.83%，完整SW+FDM+1D-CNN达79.14±12.83%，总提升26.85%。BCIC III IVa从81.71±14.14%升至93.67±9.91%，总提升11.96%。
4.5 Comparison with SOTA methods（与SOTA方法比较）：在BCIC III IVa二类被试依赖中，所提方法平均93.67%，aw和ay为100%，优于多个分解、空间滤波、统计、Riemannian和深度学习方法。在BCIC IV 2a多类被试依赖中，所提方法79.14%，高于比较的CNN+FBCSP、CNN+LSTM、CNN+CSP、GRU、EEGNet、ConvNet、ShallowCNN、NFBCSP、CSP和Riemannian covariance等方法。
4.6 Comparative performance and model complexity analysis（比较性能与模型复杂度分析）：所提模型约0.12M可学习参数；二类23.53M MACs（Multiply-Accumulate Operations）、46.50M FLOPs（Floating-Point Operations），多类83.83M MACs、167.05M FLOPs。与RGN、DFFN、EEGNet、ConvNet、Tensor-CSPNet等比较，参数大幅减少而保持竞争性准确率，适合资源受限BCI。
4.7 Embedded implementation and performance evaluation（嵌入式实现与性能评估）：在NVIDIA Jetson Nano上离线部署。BCIC III IVa总延迟58.119 ms/试次，吞吐17.21试次/s；BCIC IV 2a总延迟85.055 ms/试次，吞吐11.76试次/s。窗口级完整延迟分别为8.182和12.242 ms/窗口，吞吐122.22和81.69窗口/s。与ATCNet、WST-CNN、DB-ATCNet、MAML-LNN比较，所提1D-CNN参数、MACs、峰值RAM较低，支持低功耗嵌入式部署；但使用预录数据，不代表完整实时在线BCI。
讨论与结论总结：讨论表明，SW提供局部时间信息与增广，FDM提升频谱可分性，轻量1D-CNN降低参数和计算量；被试依赖结果较好，但跨被试尤其四类仍受被试间变异性限制。统计比较支持多数方法上改进，但并非所有均显著。局限包括校准式LOSO非严格零样本、仅两个公共数据集、未做跨数据集泛化、Jetson评估为离线。
研究结论翻译：在本工作中，研究人员开发了一个集成滑动窗口、Fourier分解方法和1D-CNN的框架，用于解读右手、左手、双脚和舌等MI活动。通过大量实验评估，该方法在BCIC IV 2a和BCIC III IVa等公共数据集上取得了引人注目的结果。所提出模型在被试依赖多类和二类分类中分别达到最高分类准确率79.14±12.82%和93.67±9.91%。此外，在被试独立LOSO评估协议下，所提出框架在BCIC IV 2a数据集和BCIC III IVa数据集上分别取得55.50±19.01%和76.49±14.74%的平均分类准确率。尽管结果令人鼓舞，所提出框架的几个局限应被承认。第一，跨被试泛化仍具挑战性，LOSO评估中观察到较大的被试间变异性，尤其在四类BCIC IV-2a数据集上。此外，所采用的被试独立评估是基于校准的，因为使用留出目标被试20%的试次进行模型适应；因此，报告的性能不代表对完全未见被试的严格零样本泛化。第二，该框架仅在两个公共MI-EEG数据集上评估，未研究跨数据集泛化。最后，Jetson Nano评估使用预录EEG数据，因此不代表完整的实时在线BCI操作。未来工作将聚焦于更大且更多样的被试群体、严格零样本和跨数据集评估，以及使用连续EEG采集和决策的实时在线验证。在NVIDIA Jetson Nano上的部署进一步证明了所提出框架的计算效率。所提出1D-CNN在BCIC IV 2a和BCIC III IVa数据集上分别实现了7.155 ms/窗口和1.864 ms/窗口的纯推理延迟，而完整离线处理流水线实现延迟为58.119 ms/试次和85.055 ms/试次，对应吞吐量分别为17.21和11.76试次/s。这些结果突显了所开发框架在低功耗嵌入式EEG基BCI系统中的部署潜力。未来研究可涉及在不同实验设置下开发不同MI数据集以评估所开发模型，集成循环神经网络和Transformer等深度学习（DL）模型以提高准确率，并将模型部署到包括现场可编程门阵列在内的边缘平台，以进一步评估BCI应用的计算效率和硬件实现可行性。
