《Frontiers in Human Neuroscience》：CEP-MI: a novel cue-execution dual-stage motor imagery paradigm with PGCANet decoding architecture
编辑推荐：
**背景：** 基于运动想象的脑机接口在神经康复和运动辅助方面具有巨大潜力。数据质量和运动意图解码效果与参与者的投入程度密切相关。然而，以往的运动想象任务忽视了主动投入调控，且从运动想象到执行转换过程中的神经机制尚不明确，相关研究有限。传统的分离试验设计无
**背景：** 基于运动想象的脑机接口在神经康复和运动辅助方面具有巨大潜力。数据质量和运动意图解码效果与参与者的投入程度密切相关。然而，以往的运动想象任务忽视了主动投入调控，且从运动想象到执行转换过程中的神经机制尚不明确，相关研究有限。传统的分离试验设计无法捕捉从想象到执行的连续脑动态，也无法客观评估受试者投入度，这阻碍了机制探索和稳定解码。
**方法：** 为解决上述范式相关局限，研究人员设计了一种带有倒计时锚点的新型提示-执行运动想象范式，用于量化投入程度。在运动想象之后加入运动执行阶段，以揭示转换过程中的神经差异并识别与运动相关的脑活动。同时，为提升运动想象脑电的解码性能，研究人员提出了一种集成先验引导与通道感知的协同解码架构，该架构包含双分支和用于决策融合的一致性约束损失。
**结果：** 该范式有效量化了受试者的参与度，且相较于传统算法和先进模型，该解码架构取得了更优的解码性能，在二分类任务中最优平均准确率达到85.77%，在四分类任务中达到82.47%。
**结论：** 针对上述研究空白，该范式为想象-执行转换机制提供了有价值的见解。该解码架构通过多分支协作提升了运动想象解码精度，为运动想象脑机接口在神经康复中的临床应用奠定了基础。
**意义：** 本研究提出了一种新型范式与协同架构，显著提升了运动想象脑机接口的解码精度和参与度量化水平，有助于推动其在神经康复中的临床应用。
## 论文解读文章
### 一、研究背景、现存问题与研究目的
运动是维持人类正常生活与工作的关键活动，其过程涉及运动准备、执行等多个重要阶段。近年来，闭环运动想象脑机接口技术在促进运动功能恢复方面展现出良好前景。非侵入性脑电以其无手术风险的优势被广泛应用于脑机接口开发。在大脑神经活动中，事件相关去同步和事件相关同步现象分别出现在运动皮层的μ节律和β节律中，反映了运动意图的产生与调控。研究表明，运动执行与运动想象在不同阶段既存在相似性，也表现出显著差异：运动想象主要涉及运动规划脑区，对侧表现为事件相关去同步激活，同侧表现为事件相关同步抑制；而运动执行则产生更强的运动皮层激活和更激烈的事件相关去同步反应。
然而，现有大多数运动想象范式将运动想象与运动执行分离为独立任务，无法捕获两者之间的中间转换状态。脑机接口相关竞争活动及公开数据集中，如PhysioNet数据集，也采用独立开展运动想象和运动执行实验的设计。根据运动认知理论，运动想象是一个从纯心理表征到实际运动执行的连续过程，过渡阶段异常神经信号可作为康复干预的治疗靶点，过渡阶段的神经信号强度可作为评估运动功能恢复进展的关键指标。因此，研究运动想象到运动执行的转换过程，不仅能阐明运动控制中脑区间协同机制，还能为临床康复实践提供更精确的指导。
另一个关键问题是受试者参与度。大多数现有任务将参与视为默认的稳定变量，缺乏量化机制。例如在BCI IV-2A数据集分类任务中，同一算法对不同受试者的分类准确率存在显著差异，这凸显了建立参与度量化机制的必要性。为应对数据质量波动，有效特征表示至关重要。以往研究尝试融合频域特征与时空特征，如全息卷积注意力网络、FBCNet等，但传统方法高度依赖数据质量和分布，或需覆盖全部电极通道，导致冗余信息和计算复杂度增加。
针对上述研究空白，研究人员构建了一个新的实验范式和解码框架，采集了97名受试者的新型脑电数据集，该范式依据心理学和运动认知原理设计，融入倒计时锚点并构建连续的运动想象至运动执行任务序列，既能客观评估参与度，又能分析想象-执行转换过程中时域和频域的神经生理变化。同时提出了名为PGCANet的协同解码框架，以解决特征碎片化问题。
### 二、研究工作与主要结论
研究人员设计了新型提示-执行双阶段运动想象范式。该范式在单次试验内构建了从运动想象到运动执行的连续转换过程，并在传统运动想象阶段之后引入运动执行阶段。在每个试次中，黑色屏幕上先出现1秒注视十字，随后显示倒计时箭头，受试者在倒计时期间执行运动想象，倒计时结束后做出轻微肢体运动并同时保持运动想象，最后休息1秒。每个实验范式包含两个运行序列：第一轮遵循传统运动想象范式，包含48个试次；第二轮包含68个试次的运动执行任务。两轮顺序在受试者间进行平衡。每个受试者执行四种运动想象任务，以伪随机顺序呈现。
研究共招募97名健康受试者，其中男性80名，右利手94名，年龄18至28岁。排除标准为有神经或肌肉骨骼疾病史。研究经内蒙古大学人民医院机构审查委员会批准。实验采用64导Neuroscan系统采集脑电，采样率1000Hz离线降采样至250Hz，通过独立成分分析去除眨眼伪迹，并进行4至45Hz带通滤波，最终保留62个电极通道。研究者同时在公共数据集BCIC-IV-2a上进行了验证实验。
该范式有效量化了受试者的参与度，并通过事件相关电位分析和事件相关去同步/事件相关同步分析揭示了想象到执行转换过程中的神经特征。解码架构通过双分支协同训练，取得优于传统算法和先进模型的解码性能。
### 三、主要关键技术方法
研究采用了以下主要技术方法：第一，构建了包含倒计时锚点的提示-执行双阶段运动想象范式，在单试次内实现运动想象至运动执行的连续转换，通过倒计时数字诱发事件相关电位以量化注意力水平。第二，提出了双分支协同解码架构，分支之一采用连续小波变换将C3和C4通道时域信号转换为时频表示，利用运动想象时对侧感觉运动节律调制这一先验知识提取任务相关特征；另一分支通过通道感知增强模块将空间信息编码至深度维度，结合时间卷积和空间卷积提取时空特征，并引入多头自注意力捕获多尺度时空依赖。第三，设计了基于一致性约束的融合损失函数，利用同一输入经两次独立dropout得到预测分布，通过KL散度约束分支间预测的一致性，采用交叉熵和KL散度联合训练。
### 四、研究结果
**事件相关电位结果：** 对Pz电极处P3成分的统计分析显示，任务主效应显著，提示-执行运动想象任务诱发的P3幅值显著高于传统运动想象任务。LPC幅值存在任务与肢体类型的交互作用：传统任务中右手试次的LPC幅值显著高于左手试次。N1和P2成分未发现显著主效应或交互效应。
**事件相关去同步和事件相关同步结果：** 时频分析显示，传统运动想象任务中，手部想象在对侧C3、C4电极产生显著的μ/β节律事件相关去同步，最低点约出现在0.5至1.5秒，随后出现C3/C4侧向化现象。引入运动执行后，手部想象在2至3秒时间段诱发更强的再同步现象，左右脚活动在C3和C4电极出现显著差异和β节律事件相关同步。经典脚部运动想象中左右脚曲线高度重叠，缺乏阶段性区分；引入运动执行后曲线在最后2至3秒明显分离，表明实际执行增强了大脑区分左右肢体运动意图的能力。
**分类性能比较：** 在自建数据集上，提示-执行运动想象范式在手部运动想象二分类中达到85.77%的准确率，显著高于传统范式的80.82%；在脚部运动想象二分类中达到82.06%的准确率，高于传统范式的80.00%。此改进在手部任务中所有分类器均达统计学显著水平，其中该解码架构提升幅度最大。在公共数据集BCIC-IV-2A四分类任务中，该解码架构达到平均82.47%的准确率，优于所有对比模型。该模型仅含0.73M参数，单次前向推断约需128.2 MFLOPs。
**可视化分析：** t-SNE可视化显示，经该解码架构处理后不同类别间边界更清晰，类别聚类分离度更高，证实模型有效学习了任务判别特征而非受试者特征。
**消融实验：** 分别去除通道感知模块、时频分支和一致性约束损失后，分类准确率均有所下降。去掉一致性约束损失时性能下降最大，其次为时频分支和通道感知模块。三个组件协同工作获得最优准确率。参数λ的消融实验确定最优值为0.02。
### 五、讨论总结与结论翻译
讨论部分指出，经典运动想象任务比提示-执行运动想象任务诱发更高的P300幅值，这反映了认知资源从刺激评估向运动准备和控制的再分配。LPC在手部想象中表现出与受试者利手相关的偏侧化效应。时频分析验证了经典手部运动想象中C3和C4电极处的事件相关去同步和事件相关同步偏侧化模式，符合运动想象的核心生理机制。当运动想象与运动执行结合时，事件相关去同步幅值降低，并在约2至3秒出现明显事件相关同步峰，反映了从想象相关激活向运动准备状态的转换，基底节对运动皮层实施的抑制性调控可能是其潜在机制。分类实验证实，上肢运动想象准确率一致高于下肢运动想象，这与上肢运动想象的显著侧向化效应相符。一致性约束联合训练策略能利用跨分支互补信息，抑制单分支噪声干扰，获得更稳健的运动意图表征。
研究局限方面，当前工作仅探索了手部和脚部运动的运动想象神经机制，且所有分析基于健康受试者的离线数据，结论限于离线解码性能，需进一步在线脑机接口验证。
结论部分可翻译为：本研究提出了一种整合运动执行的运动想象任务，称为CEP-MI。该方法阐明了运动想象到运动执行转换过程中的神经机制，同时表明运动执行的加入提升了运动想象的分类性能。此外，本研究提出了一种名为PGCANet的运动想象解码架构，该架构避免了全电极处理导致的核心时频特征稀释问题，弥补了传统时空卷积对空间信息关注不足的局限。研究人员在两个数据集上进行了广泛的实验，结果表明所提方法优于其他对比方法。由于分类性能的提升，CEP-MI为运动想象实验范式提供了新的见解。PGCANet展现出良好的解码性能，可为相关脑机接口研究提供参考。
