《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:A Hybrid Covert Attention–Augmented Motor Imagery Paradigm for Brain–Computer Interfaces
编辑推荐:
传统的脑机接口(BCI)依赖运动想象(MI)诱发脑电信号,但新用户常因信号微弱导致分类困难。为提高解码鲁棒性,研究人员提出了一种混合内隐注意增强运动想象(CAA-MI)范式,将内隐空间注意与MI结合,并开发了基于Transformer的多分支脑电融合网络(TMEF-Net)进行解码。实验表明,CAA-MI在受试者内和受试者间的解码准确率均显著超越传统MI,尤其在短时窗下表现优异。该研究为面向神经康复的BCI提供了新策略。
在科幻电影中,用意念控制物体或与计算机交互的场景令人神往,而这正是脑机接口(Brain-Computer Interface, BCI)技术致力实现的目标。其中,运动想象(Motor Imagery, MI)——即想象身体部位运动而不实际执行——是一种无创且被广泛研究的BCI范式。它已在神经康复领域,特别是帮助中风患者恢复运动功能方面展现出潜力。然而,现实并不总如科幻般美好。一个核心难题是,并非每位BCI的使用者都是“天赋异禀”的专家。对于许多没有经验的用户,他们在尝试想象运动时,大脑产生的相关生物标志物(bio-markers)信号可能非常微弱。这就好比一位初学者歌手难以发出稳定、洪亮的高音。尽管科学家们已经开发出各种各样先进、复杂的算法(好比精密的调音设备)来“解读”这些大脑信号,但巧妇难为无米之炊。如果大脑发出的“原始声音”本身就模糊不清,再高级的算法也难以进行可靠的分类。这种不准确的分类会直接导致系统向用户反馈错误指令,形成一个恶性循环,严重损害MI技术的实用性和用户体验。
为了打破这个僵局,研究人员的思路很巧妙:与其“榨干”本就微弱的单一信号,不如想办法“丰富”信号源。从特征表征的角度看,如果在MI之外,能引入其他类型的、可控的认知活动,共同激发大脑,就能让大脑产生的神经特征更加丰富和多样化。这相当于为原本单一的主旋律增添了和声与伴奏,使整体乐章更具层次、更容易被识别。基于此,一项名为“内隐注意增强运动想象”(Covert Attention-Augmented Motor Imagery, CAA-MI)的混合脑机接口范式被提出。它创新性地将内隐空间注意(Covert Spatial Attention, CSA)——即在不移动眼球或头部的情况下,将注意力资源聚焦于特定空间位置的心理过程——与传统的MI相结合。这个混合任务旨在同时诱发与注意和运动想象相关的多种生物标志物,从而为后续的解码算法提供更丰富、更具区分度的脑电图(Electroencephalogram, EEG)特征。
为了有效驾驭这个新范式产生的多样化脑电特征,研究人员专门设计了一套强大的解码工具:一个基于Transformer(一种在人工智能领域表现卓越的深度学习架构)的多分支脑电融合网络(Transformer-based Multi-branch EEG Fusion Network, TMEF-Net)。这个网络的“多分支”结构是为了并行处理和融合来自不同大脑区域或不同特征类型的信号,而Transformer的自注意力机制则能有效捕捉脑电信号中复杂的时空依赖关系,从而实现对混合范式下丰富特征的充分利用。
为了验证新范式的有效性,研究团队招募了17名受试者展开实验。评价标准涵盖了两种关键场景:受试者内(Intra-subject)评估,即模型学习和预测同一个人的数据;以及更具实际应用挑战性的受试者间(Inter-subject)评估,即模型用一部分人的数据训练后,去预测从未见过的受试者的数据。此外,研究还特别关注了短时间窗口下的解码性能,这对于实现快速响应的BCI系统至关重要。这项研究的成果被记录在学术期刊《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上。
这项研究在方法学上的核心在于提出并实现了一个混合脑机接口范式。研究人员设计了一种内隐注意增强运动想象(CAA-MI)任务,将内隐空间注意(CSA)整合到传统的运动想象(MI)中。为了解码这个新范式诱发的复杂脑电(EEG)信号,他们开发了一个基于Transformer的多分支EEG融合网络(TMEF-Net)。实验验证阶段,研究团队招募了17名受试者参与,收集了他们在执行CAA-MI和传统MI(T-MI)任务时的脑电数据,用于模型训练和测试。神经生理学分析则用于探究不同范式下大脑活动的差异。
研究的核心结果通过严谨的对比分析得出,新范式展现出了显著的优势:
- •
解码性能优越:在解码准确性上,CAA-MI范式全面超越了传统的MI范式。无论是在受试者内还是受试者间评估中,CAA-MI都取得了更高的分类准确率。特别是在对实际应用意义重大的短时解码窗口下,其优势更加明显。具体而言,当输入信号长度仅为3秒时,CAA-MI在受试者内和受试者间的准确率分别达到了89%和81%,而传统MI的对应准确率则为82%和76%。这强有力地证明了混合范式能为解码器提供更具判别力的特征。
- •
神经活动增强:从神经生理学层面分析,脑电图溯源结果揭示了CAA-MI范式能诱发更广泛、更强的神经活动。与T-MI相比,CAA-MI不仅增强了感觉运动区(与运动想象相关)的激活,还显著激活了枕叶-顶叶(occipital–parietal)脑区,这些区域通常与空间注意力处理密切相关。这种跨脑区的协同激活模式,为“特征更丰富、更具区分度”提供了直接的神经证据,表明混合任务成功地将注意相关的神经信号整合到了运动想象网络中。
综上所述,这项研究证实,将内隐空间注意与运动想象结合的混合范式,是一种有效提升脑机接口解码鲁棒性的策略。它通过引入额外的认知生物标志物,丰富了脑电图特征,从而显著提高了分类准确性,尤其是在对用户体验至关重要的短时窗和跨受试者场景下。神经生理学证据进一步支持了该范式能诱发更广泛、更具判别力的大脑活动模式。这些发现表明,CAA-MI范式能够产生更稳定、更强烈的神经响应,为解决新手用户因运动想象信号弱而导致脑机接口性能不稳定的难题提供了切实可行的新方案。该研究为开发面向神经康复、需要高可靠性和用户友好性的下一代脑机接口系统,指明了一个富有前景的新方向。