跨会话运动想象脑电解码中受试者特定会话鲁棒特征提取的自适应频谱掩蔽方法

《Neurocomputing》：Adaptive spectral masking for subject-specific session-robust feature extraction in cross-session motor imagery electroencephalography decoding

　　

基于运动想象（MI）的脑电图（EEG）解码对于肢体运动康复和辅助设备控制中的精确测量至关重要。然而，MI-EEG信号的会话间变异性显著限制了深度学习模型的跨会话泛化能力。为解决这一挑战，本文提出了一种通过自适应频谱掩码提取个体特异性会话鲁棒信号的新方法。该框架首先在频域分解EEG信号并生成自适应频谱权重系数。随后引入可学习阈值来选择具有高跨试验一致性的频谱索引，为每个受试者的特征构建自适应频谱掩码。最终，通过逆谱变换将掩蔽后的频谱重建为任务判别性信号。我们的方法作为一个即插即用模块，可以无缝插入到任何分类网络之前，其两个组件进行联合优化以增强跨会话解码性能。所有实验仅使用旧会话数据进行训练和验证，新会话数据仅用于最终评估。在三个数据集的72名受试者上的实验结果表明，通过我们的自适应频谱掩码提取的高一致性特征在与特定模型配合使用时，为67名受试者增强了跨会话解码性能。所提出的方法通过提高源会话的特征鲁棒性来增强跨会话MI-EEG解码，有助于康复和辅助设备控制。

引言：每年全球约有1190万新发中风病例和90万新发脊髓损伤病例[1]。康复训练对于促进这些患者的功能恢复和提高生活质量至关重要[2]。作为最先进的技术，脑机接口（BCI）精确测量和解码各种脑信号以识别患者的运动意图，从而实现与外部环境的交互。这些信号包括外部诱发电位——如稳定的视觉诱发电位（SSVEP）和事件相关电位（ERP）——以及内部产生信号，如运动想象期间产生的信号。当正常运动通路受损时，BCI技术提供了一种替代的交流和控制方法，利用测量的脑信号辅助功能恢复并促进神经可塑性。

在康复医学领域，基于运动想象的脑电图脑机接口系统因其非侵入性特征以及通过运动想象诱导事件相关去同步/同步（ERD/ERS）现象的能力而成为研究热点[3]，从而促进神经可塑性重建。然而，这些系统面临重大挑战，包括EEG信号固有的会话间变异性、显著的个体间变异性以及高分类复杂性。随着深度学习方法的进步，MI-EEG信号解码取得了显著进展。例如，Lawhern等人[4]使用深度可分离卷积在保持提取MI信号特征能力的同时减少了参数数量；Li等人[5]将脑科学先验知识与频域分析、残差网络和时序卷积相结合，提高了EEG运动想象解码精度，同时显著降低了模型计算复杂度；Zou等人[6]研究了15名受试者跨时段的脑激活拓扑图以提高解码效率，发现MI和ME的准备/练习期强度不同，并使用小波神经网络解码MI/ME期间的六种运动类别；Zhao等人[7]将EEGNet的浅层特征提取与时序卷积网络（TCN）相结合，并引入注意力机制以增强时序特征建模。Huang等人[8]使用频域通道攻击（FDCA）以高成功率攻击MIBCI中的CNN分类器，同时不需要模型细节；Jin等人[9]提出了MSTFNet，一种具有多尺度时空特征融合（MSTF）的新型CNN框架，用于增强运动想象EEG解码。Miao等人[10]通过通道和深度注意力模块有效集成了时空特征；Altaheri等人[11]融合了多头自注意力机制和TCN，利用基于卷积的滑动窗口技术进一步提高解码精度。

尽管这些复杂的模型设计，解决神经生理数据的会话间变异性仍然存在挑战[12]。这种变异性可能源于神经模式的变化、环境因素或设备差异，限制了模型有效泛化到新会话数据的能力。Estepp等人[13]观察到人工神经网络（ANNs）在生理数据上的性能显著受训练数据和测试数据之间时间间隔的影响。随着这一间隔从秒增加到分钟、小时甚至天，解码精度显著下降。

为解决此问题，经典信号处理方法已被广泛采用以缓解分布偏移。诸如平稳子空间分析（SSA）[14]等方法旨在对齐统计分布或隔离跨域平稳成分。虽然作为预处理步骤有效，但这些方法通常在信号层面操作，独立于下游分类模型。或者，域适应（DA）技术已应用于减少旧会话（源域）和新会话（目标域）之间的分布差异[15]，[16]。例如，Guo等人[17]使用核范数Wasserstein差异（NWD）来最小化域间差异，而Li等人[18]通过对齐源域的均值和协方差与目标域的对应统计量来改进相似性。然而，大多数DA方法的一个关键限制是其演绎性质——它们在训练期间通常需要访问目标会话的无标签数据，这阻碍了其在即时、免校准使用场景中的适用性。为解决这一限制，研究人员探索了无需目标域数据的归纳范式。欧几里得对齐（EA）即为此例，通过域特定参考白化试验协方差矩阵，仅使用可用统计量减少分布偏移。EA本质上作为域泛化（DG）[19]的一种特殊情况，在其参考矩阵在推理时可用的情况下可适应任何目标域。扩展这一工作，Zhong等人[20]引入了EEG-DG，一个强制多个源域之间边缘分布和条件分布一致的框架。这种方法促进了新会话和受试者稳定、域不变表示的免校准学习。

当前主流研究方法因此可主要归类为：(1)静态预处理方法（如SSA），依赖固定统计假设提取稳定特征；(2)域适应方法，动态调整特征表示但通常依赖目标会话数据；以及归纳域泛化方法（如EA和EEG-DG），仅从源域学习可迁移表示，不接触目标会话数据。这三条研究路线作用于解码流水线的不同层面：预处理方法根据固定统计假设重塑原始信号，而DA和DG方法在学到的特征空间内对齐分布。虽然预处理方法提供简洁性，但它们缺乏学习表示的适应性。相反，现有域适应方法在目标会话数据稀缺或不可用的场景中表现出显著的性能下降。

为克服这些限制，本文提出了一种新颖的方法，利用自适应频谱掩码分解输入信号，选择具有高跨试验一致性的频谱分量，并重建个体特异性会话鲁棒表示。通过在特征提取之前作用于输入信号的频谱内容，所提出的模块针对会话间变异性，在DA和DG方法追求的特征级对齐之前进行，因此可以自然与之结合。在学习范式方面，我们的框架具有与DG方法严格归纳性质，无需访问任何目标会话数据即可实现动态特征适配。此外，与SSA等解耦的预处理步骤不同，我们提出的模块设计为与下游分类器联合优化。这确保了提取的特征不仅在统计上稳定，而且对解码任务具有判别性。为验证算法的有效性，本研究设计了集成的联合优化解码框架，并将所提出的方法应用于三个权威运动想象数据集——BCI Competition IV-2a、BCI Competition IV-2b和OpenBMI Motor-imagery Dataset——上的五个经典运动想象分类模型。三个数据集（共包含72名受试者）的实验结果表明，我们的算法提取的会话不变会话鲁棒特征显著增强了运动想象解码模型的跨会话性能，在使用特定模型时为67名受试者观察到性能提升。

片段部分——会话鲁棒EEG分量提取：EEG信号表现出受试者内变异性，即同一受试者可能在不同会话中对相同刺激表现出不同的EEG反应[21]。为减轻跨会话任务中特定受试者的会话变异性，一种有效的方法是从个体特异性EEG信号中提取稳定内在特征。在本工作中，我们将会话鲁棒特征定义为在跨试验中表现出一致高幅度激活的频谱分量。重要的是要区分这些特征与反映噪声或伪影的频谱分量。

数据集：所提出的方法在三个广泛使用的运动想象EEG数据集上进行评估：BCI Competition IV 2a数据集[25]、BCI Competition IV 2b数据集[26]和韩国大学EEG数据集（OpenBMI）[27]（表1）。这些数据集采用不同的采集设备、实验范式、参与人数和样本量。关键的是，在所有三个数据集中，训练集（旧会话）和测试集（新会话）是在不同日期记录的。至关重要的是，所有实验严格遵循此协议。

结果：本节对原始MI解码模型、集成自适应频谱掩码（ASM）技术的对应模型以及替代演绎域适应方法在多个基准数据集上的综合评估和性能比较进行了呈现。为评估所提出方法在现实分布偏移下的泛化能力，所有实验严格采用受试者内、跨会话设计，训练和测试数据来自同一受试者的不同会话。

讨论：本研究在三个公开EEG数据集（BCIC IV 2a、BCIC IV 2b和OpenBMI）上系统评估了五个集成自适应频谱掩码的运动想象解码模型的分类性能变化，如图9所示。在BCIC IV 2a数据集上，不同模型的平均精度提升范围从0.97%到1.67%，表明集成自适应频谱掩码一致地增强了总体平均分类精度。在各模型中，提升幅度因模型架构而异。

结论：本研究提出了一种自适应频谱掩码方法，用于提取个体特异性会话鲁棒特征，以解决运动想象EEG解码中会话间变异性带来的挑战。所提出的方法通过引入频谱权重编码器子网络和阈值参数，动态构建自适应频谱掩码，使得能够从源会话数据中提取具有高跨试验统计一致性的频率分量。三个数据集上的实验结果验证了该方法的有效性。

作者贡献声明：高兴盛：软件、方法学、概念化。黄正学：软件、方法学、概念化。钟振哲：调查、形式分析、数据整理。冯超：写作——审阅与编辑、调查、数据整理。高晶晶：可视化、软件。黄俊琪：写作——审阅与编辑、验证。罗海涛：可视化、数据整理。张洪义：监督、项目管理、资金获取。曾念音：写作——审阅与编辑。

利益冲突声明：作者声明他们没有已知的相互竞争的财务利益或个人关系，这些关系可能已影响本文所报告的工作。

致谢：本工作得到福建省科技计划国际合作项目（编号：2024I0045）和厦门市海外归国人员科研项目（编号：XIARENSHE [2024]241号-04）的支持。

作者简介：高兴盛于2021年获得中国厦门理工学院工学学士和工学硕士学位，以及中国厦门大学人工智能系博士学位。他目前是厦门理工学院光电与通信工程学院副教授。他当前的研究兴趣包括深度学习、强化学习和智慧医疗。

高兴盛|黄正学|钟振哲|冯超|高晶晶|黄俊琪|罗海涛|张洪义|曾念音