用于低通道细粒度运动想象脑电解码的脉冲FIR双线性融合网络

《Digital Signal Processing》：Spike FIR Bilinear Fusion Network for Low-Channel Fine-Grained Motor Imagery EEG Decoding

【字体：大中小】 时间：2026年10月15日 来源：Digital Signal Processing 3.4

编辑推荐：

　　 •SF-BiNet 实现了八通道精细粒度运动想象脑电解码。•PLIF 分支与可学习 FIR 分支通过双线性门控进行融合。•SF-BiNet 在三个任务上的准确率分别达到 89.20%、65.13% 和 87.41%。引言脑机接口（Brain–computer interfac

•
SF-BiNet 实现了八通道精细粒度运动想象脑电解码。
•
PLIF 分支与可学习 FIR 分支通过双线性门控进行融合。
•
SF-BiNet 在三个任务上的准确率分别达到 89.20%、65.13% 和 87.41%。

引言

脑机接口（Brain–computer interface, BCI）被定义为一种直接连接人脑与计算机系统的通信范式，使大脑无需依赖传统神经肌肉通路即可与外部设备进行交互。通过这一机制，神经信号可直接转换为光标、轮椅或外骨骼等设备的控制指令。脑机接口系统通常涉及信息科学、认知科学、材料科学和生命科学等多学科交叉研究，并在人工智能、生物医学工程和神经康复领域发挥着越来越重要的影响 [1]、[2]。多种神经成像技术均可用于构建脑机接口系统，包括脑电图（electroencephalography, EEG）和功能近红外光谱（functional near-infrared spectroscopy, fNIRS）。其中，由于安全性高、时间分辨率高、成本相对低廉，且能以非侵入方式记录脑活动，EEG 已成为脑机接口研究中最广泛采用的模态。此外，在低通道配置下实现对 EEG 信号的准确解码，对于提升基于 EEG 的脑机接口系统在便携式康复应用中的实用性至关重要。

近年来，基于 EEG 的脑机接口系统已在多个领域得到广泛探索，尤其在运动康复场景 [3]、[4]。通过想象特定动作，例如左手或右手运动，运动障碍个体可借助脑机接口系统控制外部设备，从而恢复一定程度的功能独立性。相应地，众多 EEG 解码算法被提出，用于从神经信号中提取与任务相关的特征。早期研究主要依赖传统机器学习方法，如公共空间模式（common spatial patterns, CSP）[5] 和支持向量机（support vector machines, SVM）[6]。然而，这些方法严重依赖手工特征工程，难以应对 EEG 信号固有的非平稳性以及细粒度分类任务所带来的挑战。随着数据可获得性和计算能力的快速增长，深度学习技术在计算机视觉 [7] 和自然语言处理 [8] 等领域取得了显著成功，并显著推动了深度学习方法在基于 EEG 的脑机接口研究中的应用 [9]、[10]。例如，卷积神经网络（convolutional neural networks, CNNs），如 EEGNet [9] 和 DeepConvNet [10]，被提出用于直接从原始 EEG 信号中学习时空表示。此外，为缓解深度模型在实际应用中的计算负担，轻量级注意力机制逐渐被引入，以更有效聚焦关键神经活动 [11]。与此同时，为应对脑信号的动态特性，研究人员采用长短期记忆（Long Short-Term Memory, LSTM）网络来捕获时序依赖信息 [12]。在此基础上，针对动态特征提取的优化策略也进一步出现，成为提升 EEG 解码对脑信号非平稳特性鲁棒性的重要手段 [13]。然而，现有深度模型在处理 EEG 信号复杂的生理特征时仍面临若干局限。一方面，常规模型通常将 EEG 信号视为简单的时间序列数据，从而忽视了神经活动内在的事件驱动特性。另一方面，运动想象解码严重依赖特定频带内的事件相关去同步/同步（event-related desynchronization/synchronization, ERD/ERS）现象，而大多数现有方法采用固定的带通滤波先验，难以动态适应显著的个体间频谱差异。此外，当前的基于 EEG 的运动想象解码研究主要局限于粗粒度分类任务（例如区分不同肢体），而针对低通道设置下细粒度运动想象解码的研究相对较少，例如区分同一肢体的不同手势。因此，在低通道条件下同时实现高精度、强个体适应性的高粒度运动想象解码，仍是一项具有挑战性的关键问题，对实际脑机接口与神经康复应用具有重要意义。

为应对这些挑战，有必要引入同时考虑生物学合理性与个体特性的多域表示。在此背景下，脉冲神经网络（spiking neural networks, SNNs）在神经科学与计算建模之间架起桥梁，对捕获事件驱动的神经动态具有独特优势 [14]、[15]。与此同时，自适应频域分析可有效克服固定频谱先验的局限。然而，整合这两类表示仍具挑战，因为 SNN 提取的离散时空特征与频域滤波器学习的连续频谱表示存在显著差异。为此，本文提出了一种脉冲-FIR 双线性融合网络（Spike–FIR Bilinear Fusion Network, SF-BiNet），用于低通道 EEG 设置下的细粒度运动想象分类。本工作的主要贡献总结如下：

1.
构建细粒度运动想象数据集：设计了针对同一肢体"手部张开"与"握拳"动作的实验范式，为低通道细粒度运动想象研究提供数据支持。
2.
异构双分支架构：将基于参数化泄漏积分与放电（parametric leaky integrate-and-fire, PLIF）神经元的脉冲时空分支，与采用可学习 FIR 滤波器的时频分支相结合，实现对空间、时间和频谱特征的全面提取。
3.
双线性门控融合机制：引入带动态门控的双线性特征融合策略，以对齐异构特征表示并自适应调节各分支的贡献，从而以极小的计算开销提升分类性能。
4.
低通道设置下的多视角实验评估：在八通道配置下，分别进行被试内交叉验证与被试间验证，评估所提模型的分类性能与泛化能力。

本文其余部分组织如下。第 2 节综述相关工作。第 3 节介绍数据集、实验范式与数据预处理流程。第 4 节给出 SF-BiNet 的总体架构并详细描述其核心模块。第 5 节报告并讨论实验结果。最后，第 6 节总结全文。

章节摘要

数据集与预处理

为评估所提方法在运动想象任务上的分类性能，本研究使用了两个 EEG 数据集。数据集 I 为自主采集的低通道、细粒度手部运动想象数据集，用于评估模型对左右手运动以及手部张开与握拳任务的解码性能。数据集 II 为公开可用的 EEGMMIDB 数据集 [24]，用于在统一的低通道配置下进行模型比较以及扩展……

所提方法

本研究提出了一种并行双分支框架，即脉冲-FIR 双线性融合网络（Spike–FIR Bilinear Fusion Network, SF-BiNet），用于从 EEG 信号中提取多域特征。所提模型的整体架构如图 3 所示。具体而言，脉冲时空分支将自适应多尺度卷积与参数化泄漏积分与放电（PLIF）神经元 [35] 相结合，以捕获 EEG 信号中事件驱动的时空动态。与此同时，FIR 时频分支……

实验设置

实验在搭载 Intel Core i7-13700HX CPU 与 NVIDIA RTX 5060 Laptop GPU 的 Windows 11 平台上进行。模型基于 PyTorch 实现，并使用 Adam 优化器进行训练。训练轮数设为 60，批大小设为 512，初始学习率为 0.001。被试内实验采用五折交叉验证，被试间实验则采用留一被试交叉验证。详细……

结论

本研究提出了 SF-BiNet，一种用于低通道细粒度运动想象 EEG 解码的脉冲-FIR 双线性融合网络。其脉冲时空分支与 FIR 时频分支分别建模时空动态与频谱信息，而双线性门控则显式捕获两类异构表示之间的相互作用，以实现自适应的多域融合。消融实验证实了自适应多尺度时间卷积、可学习 FIR……

写作过程中生成式 AI 与 AI 辅助技术的声明

在准备本工作期间，作者使用了 ChatGPT 对整篇稿件进行校对、优化语法并改善语言表达。在使用该工具/服务后，作者按需审阅和编辑了相关内容，并对已发表文章的内容承担全部责任。

数据可用性

本研究中分析的公开数据集已公开可用，并在文中予以引用。自主采集的数据集可通过合理请求向通讯作者获取。

CRediT 作者贡献声明

黄玲（Ling Huang）：监督、资源获取。叶亚林（Yalin Ye）：初稿撰写、验证、方法论。安慧峰（Huifeng An）：项目管理、正式分析。齐晓倩（Xiaoqian Qi）：可视化、数据管理。周青地（Qingdi Zhou）：调查研究、概念设计。韩澎霖（Penglin Han）：正式分析、概念设计。

利益冲突声明

作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

黄玲 | 叶亚林 | 安慧峰 | 齐晓倩 | 周青地 | 韩澎霖

引言