面向脑机接口的跨被试运动想象脑电解码:融合TSLANet与黎曼几何特征的RMETNet模型研究

《PLOS One》:RMETNet: A cross-subject motor imagery EEG signal classification model based on TSLANet and riemannian geometry features

【字体: 大 中 小 】 时间:2026年04月23日 来源:PLOS One 2.6

编辑推荐:

  为解决脑机接口(BCI)中运动想象脑电(MI-EEG)信号存在显著个体差异、传统深度学习模型跨被试泛化能力不足的问题,本研究提出RMETNet框架,集成时间序列轻量化自适应网络(TSLANet)、时空卷积与多尺度黎曼几何特征模块,并引入最大均值差异(MMD)损失进行域适应。模型在公开数据集BCICIV2a和BCICIV2b上取得优越的跨被试与被试依赖分类准确率,有效提升脑电解码鲁棒性,为实用化BCI系统提供新思路。

  
你是否曾幻想过,仅凭意念就能操控机械手臂、移动光标甚至驾驶轮椅?这并非科幻情节,而是脑机接口(Brain-Computer Interface, BCI)技术正在努力实现的愿景。其中,运动想象(Motor Imagery, MI)脑电图(Electroencephalogram, EEG)作为一种无创、高时间分辨率的神经信号,当人们在脑海中模拟肢体动作(如想象左手、右手或脚部运动)时,大脑运动皮层会产生特定节律(如8–12 Hz的μ节律和13–30 Hz的β节律)的能量变化,这为BCI控制提供了直接的生理基础。然而,要将实验室中的脑电解码技术推向真实世界的应用,一个巨大的“拦路虎”横在面前:人与人之间的大脑活动存在天然差异。
这种“个体差异”意味着,同样想象抬起右手,张三和李四的脑电信号模式可能截然不同。此外,记录设备、环境噪声等因素更是雪上加霜。这使得大多数基于深度学习的模型,虽然在单个被试(subject-dependent)身上表现优异,但一旦面对新用户(跨被试,cross-subject),性能往往大幅下降。模型的“泛化”能力严重不足,成为阻碍BCI走向普及的关键瓶颈。为此,研究人员一直在探索如何让模型更好地“理解”并适应不同个体脑电信号的内在共性与分布规律。
为了攻克这一难题,一项发表在《PLOS One》上的研究提出了一种名为“RMETNet”的新型神经网络框架。该研究旨在通过融合先进的时序分析、空间特征提取以及刻画信号全局统计结构的几何方法,并结合迁移学习思想,显著提升模型在跨被试场景下的运动想象脑电解码性能。
为了开展这项研究,作者主要采用了以下几种关键技术方法:
  1. 1.
    模型架构设计:构建了双分支的RMETNet模型。主分支包含时间序列轻量化自适应网络(TSLANet)用于时序特征学习与降噪,以及时空卷积模块用于提取高阶时空表征。另一分支为多尺度黎曼(Riemannian)几何特征模块,用于从协方差矩阵中学习跨被试的域不变几何特征。最后,融合两分支特征进行分类。
  2. 2.
    域适应策略:在模型训练中引入最大均值差异(Maximum Mean Discrepancy, MMD)损失作为正则化项,以度量并最小化源域(训练被试)与目标域(测试被试)深层特征分布之间的差异,从而对齐不同被试的特征分布,减少个体变异性。
  3. 3.
    实验与评估:使用两个公开基准数据集——BCI Competition IV 2a(四分类,22通道)和BCI Competition IV 2b(二分类,3通道)。采用留一被试交叉验证进行跨被试评估,以及按被试划分训练验证测试集进行被试依赖评估。以分类准确率和Kappa系数作为主要评价指标,并与FBCSP、EEGNet、ShallowConvNet、EEG-TCNet等多种前沿方法进行对比。同时,通过消融实验和UMAP可视化技术分析各模块贡献及特征分布变化。数据预处理包括提取0.5-4.5秒时间窗、Z-score标准化以及为黎曼分支计算协方差矩阵并进行切空间对齐。
研究结果
1. 与前沿方法的比较结果
在BCICIV2a数据集上,RMETNet在跨被试设置下取得了71.39%的平均准确率,在被试依赖设置下取得了80.71%的平均准确率,均显著优于包括EEGNet、ShallowConvNet、EEG-TCNet、EEG-ITNet及基于Transformer的方法在内的所有基线模型。统计检验(配对Wilcoxon符号秩检验)表明,多数性能提升具有统计学显著性。
在BCICIV2b数据集上,RMETNet同样表现优异,跨被试平均准确率达80.93%,被试依赖平均准确率达86.76%,在多数被试上排名第一,且表现更为稳定(标准差更低)。与DS-TKL等专门针对跨被试任务的方法相比,RMETNet也显示出明显优势。
2. 消融实验结果
研究通过系统地移除模型关键组件来评估其贡献。结果表明:
  • •
    同时移除多尺度黎曼特征模块和MMD损失时,模型性能下降最明显。
  • •
    单独使用MMD损失能带来显著性能提升,尤其在BCICIV2a数据集上。
  • •
    单独使用黎曼特征模块提升有限,但其与MMD损失结合时产生了协同效应,共同作用使得模型达到最佳性能。这证实了黎曼几何特征为域适应(MMD对齐)提供了更易于匹配的、具有几何意义的特征表示基础。
3. 特征可视化分析
通过UMAP对测试被试的深层特征进行降维可视化显示,完整的RMETNet模型学到的特征具有更紧凑的类内聚集度和更清晰的类间边界。而缺少黎曼分支或MMD损失的模型,其特征则表现出更大的类内离散和更模糊的类间分离,直观验证了所提模块在增强特征判别性和域不变性方面的有效性。
4. 模型复杂度分析
RMETNet参数规模小(在BCICIV2a上约为0.198 M),单次试验推理所需浮点运算次数(FLOPs)和延迟较低,且协方差计算和对齐在离线预处理阶段完成,表明其具备应用于近实时脑机接口系统的潜力。
研究结论与意义
本研究成功提出并验证了RMETNet——一个集成时序自适应降噪(TSLANet)、时空卷积、多尺度黎曼几何特征学习与MMD域适应的统一框架,用于解决运动想象脑电解码中的跨被试泛化难题。
核心结论在于:该模型通过TSLANet模块有效捕捉了脑电信号的复杂时序动态并抑制高频噪声;通过时空卷积模块提取了更具判别力的局部时空模式;通过多尺度黎曼几何特征模块从协方差结构中学习了刻画跨被试全局统计特性的域不变表示;最后,通过MMD损失在训练中显式地最小化源域与目标域的特征分布差异,从而实现了高效的特征分布对齐。这种多角度、互补的特征学习与显式域适应策略的结合,是RMETNet在公开数据集上,无论是四分类还是二分类任务,也无论是被试依赖还是更具挑战性的跨被试设置下,均能稳定超越现有先进方法的关键。
这项研究的深刻意义在于:它不仅仅是一个性能优异的解码模型,更提供了一套系统的技术思路,即如何协同利用信号的时序局部信息、空间拓扑关系以及全局统计几何结构,并借助迁移学习理论来主动弥合个体差异。这为开发“即插即用”(plug-and-play)、需极少或无标定(calibration)的实用化脑机接口系统迈出了坚实的一步,有望推动BCI技术在医疗康复、神经工程及智能控制等领域更广泛、更便捷地应用。未来的工作可在此基础上进一步探索模型轻量化、在线自适应机制以及扩展到更多模态和任务场景。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号