用于运动想象任务中脑电图（EEG）信号提取与分类的通道-时间分离方法

《Experimental Parasitology》：Channel-Temporal Separation for EEG Signal Extraction and Classification in Motor Imagery Tasks

　　杨颖杰|张秀|张欣|张丽华|黄娇颖
天津师范大学无线移动通信与电力传输重点实验室，天津，中国

摘要
基于非侵入性脑电图（EEG）的脑机接口（BCI）受到异构电极布置和运动想象（MI）信号的非平稳性、带限特性的限制，这限制了现有深度模型的泛化能力。所提出的框架GCWNet是一种电极通道-时间分离模型，它将模型的设计与EEG背后的物理原理相一致，从而提高了模型在不同数据集和通道配置下的鲁棒性。首先，功率图卷积模块根据数据驱动的功率描述符自适应地模拟电极之间的关系，这减少了对固定布局的依赖，并在任何时间处理之前增强了空间去噪效果。其次，多带高斯基尔波卷积明确地捕捉了标准EEG带内的非平稳时频模式，与流行深度学习框架中常用的纯学习时域滤波器不同。最后，开发了一个多头注意力层，该层以较低的参数成本融合了跨带依赖性和长时间动态。GCWNet在三个公开可用的MI数据集上进行了评估，这些数据集的特点是通道数量和任务类型截然不同：BCI竞赛IV-2a（22个通道，4类）、BCI竞赛IV-2b（3个通道，2类）和高伽马数据集（44个通道，4类）是本研究的重点。利用标准的训练/测试协议和受试者配对显著性测试，GCWNet分别获得了86.82%、91.39%和96.64%的准确率，并在大多数比较中明显优于基于流行框架的基线方法。研究结果提供了分析证据，表明电极通道-时间解耦、自适应功率图连接性和明确的多带小波建模共同提高了运动想象解码和在不同异构电极配置下的泛化能力。

引言
近年来，脑机接口（BCI）技术取得了显著进展，实现了人脑与外部设备之间的直接通信。这项技术在多种应用中展现出潜力，从用于康复和运动控制的运动想象（MI）（Al-Saegh, Dawwd, & Abdul-Jabbar (2021)），到情绪识别（Houssein, Hammad, & Ali (2022)以及睡眠监测（Lehner, Frueh, & Datta (2022)）。由于脑电图（EEG）的非侵入性、高时间分辨率和成本效益，它已成为BCI系统中不可或缺的工具，能够实时监测大脑活动并促进如运动想象和认知状态监测等任务（Hosseini, Hosseini, & Ahi (2020)）。基于MI的BCI在医疗应用中尤为有用，特别是在中风或脊髓损伤患者的康复过程中（Xue, He, Wang, & Zhao (2024)）。通过MI任务模拟肢体运动，患者可以通过神经可塑性改善运动功能，从而显著提高自主性（Lorach et al. (2023)）。然而，尽管取得了这些进展，但由于大脑信号的非平稳性和噪声特性，以及不同任务和会话中电极配置的变化，EEG信号的解码仍然是一个重大挑战。传统的EEG-BCI系统（如CNN/TCN流水线）依赖于固定的电极布局，在通道配置发生变化或噪声干扰信号完整性时难以泛化（Van der Lubbe, Sobierajewicz, Jongsma, Verwey, & Przekoracka-Krawczyk (2021)）。EEG信号通常被划分为五个主要频率带，每个频率带与特定的大脑活动状态相关（Yu, Zhang, Zhang, & Yang (2025)）。这些频率范围及其对应的大脑波包括δ波（δ, 0?4Hz）、θ波（θ, 4?8Hz）、α波（α, 8?13Hz）、β波（β, 13?30Hz）和γ波（γ, > 30Hz）（Wang & Wang (2021)）。不同频率带的EEG信号反映了与人类意识活动相关的大脑状态。具体来说，δ波与慢波活动和深度睡眠相关；θ波在放松和冥想状态下特别显著；α波在闭眼休息时通常最明显；β波与高度专注的认知任务相关，常常出现在需要大量注意力的活动中；γ波与高级认知处理和感官信息的整合密切相关（Chaddad, Wu, Kateb, & Bouridane (2023)）。

EEG解码受到大脑信号的非平稳性和带限特性的阻碍，这使得它容易受到外部噪声和伪迹的影响。此外，EEG采集缺乏统一的电极通道配置：不同的BCI任务强调不同的神经解剖区域——例如，MI针对运动皮层（Van der Lubbe et al. (2021); Van Der Cruijsen et al. (2021)），而情绪识别通常优先考虑前额叶或边缘系统（Wang & Wang (2021)）。这种任务依赖的空间异质性意味着通道集、它们的拓扑结构、可用性和信噪比特性在会话和数据集之间有所不同，直接影响信号质量和解码效果。形式上，给定在Mtrain下收集的训练数据和在Mtest下收集的测试数据，这些数据的电极通道集、拓扑结构和信噪比可能不同，目标是学习一个在电极通道可用性和排列变化时仍能保持高精度和校准置信度的解码器，同时捕捉MI的非平稳时频结构。传统的CNN/TCN流水线隐含地假设固定的空间拓扑，并依赖于纯学习的时间域滤波器，这可能导致空间噪声与时域动态的混淆，并且在通道缺失、重新排序或减少时性能变得脆弱（Sun, Zhang, Zhang, Xu, & Wang (2025)）。

最近在EEG解码任务中的观察揭示了一个关键挑战：电极配置在采集设备、记录设置和数据集之间存在显著差异。我们的初步实验进一步表明，在公共数据集上随机减少EEG通道会导致模型性能显著下降。这种对通道变异性的敏感性表明，许多现有的深度学习模型严重依赖于固定的电极布局，并且对通道丢失或不匹配不够鲁棒。这种不稳定性在实际EEG采集中是一个重大问题，因为通道丢失、布置不一致或硬件差异很常见且往往不可避免。这些发现强调了设计能够适应异构电极配置同时保持可靠性能的模型的必要性。为了解决这些挑战，我们提出了GCWNet，这是一种新颖的深度神经网络，它将通道级和时间建模分为两个互补的模块。电极通道模块使用功率图卷积构建自适应的电极间关系，有效捕捉电极之间的相互信息。时间模块利用高斯基尔波卷积提取标准EEG带（δ, θ, α, β, γ）内的时频特征，保留了信号的物理意义，同时允许进行细致的分析。此外，还采用了多头注意力机制来增强特征融合并强调相关的时态模式。通过解耦空间和时间特征学习，并将它们与EEG的物理特性对齐，GCWNet旨在提高MI分类任务的鲁棒性和泛化能力。本文的主要贡献总结如下：
1. 比以往的电极通道/时间分离具有架构级的创新：GCWNet通过功率图卷积首先对电极通道进行空间去噪，从每个通道的功率描述符中学习电极间连接性，而不是依赖于混合CNN-RNN家族中使用的固定布局或静态邻接关系。
2. 基于物理原理的时间模块：具有可学习中心频率和带宽的多带高斯基尔波卷积明确地模拟了标准EEG带内的局部非平稳模式，为流行框架中常用的纯学习时域核提供了一个原理性的替代方案；随后，轻量级的多头注意力融合了跨带交互和长时间动态。
3. 为了全面评估GCWNet的泛化能力，选择了三个电极通道配置存在显著变化的数据集进行实验分析。实验结果表明，GCWNet在所有数据集上的分类性能都超过了现有方法，从而证实了其卓越的泛化能力和稳定性。

本文的其余部分结构如下：第二部分回顾了相关研究工作，包括近年来EEG领域的研究进展以及主流模型框架的特点和局限性；第三部分详细描述了用于实验的数据集、实验材料以及提出的GCWNet网络模型的设计和实现；第四部分展示了实验过程和结果分析，并通过与其他方法的比较验证了GCWNet的优越性；第五部分对研究结果进行了总结概述。

相关工作
为了解决EEG信号分析中的挑战，研究人员开发了各种BCI任务分类方法，涵盖了传统的机器学习和深度学习方法。传统机器学习通常包括三个关键阶段：预处理、特征提取和分类。预处理包括信号过滤、伪迹去除和规范化以提高数据质量。特征提取是传统方法的基础，利用技术……

材料与方法
GCWNet模型由三个核心模块组成：电极通道特征提取模块、时间特征提取模块和分类器模块，如图1所示。为了解决由于电极通道数量变化而产生的泛化问题，GCWNet以“通道优先、时间其次”的方式处理数据，确保了在不同EEG设置下的适应性。该模型在电极通道和时间特征提取模块中整合了两个关键处理步骤：……

实验与结果
本节对GCWNet在不同电极通道数据集上的性能进行了比较分析，重点关注22通道的BCI竞赛IV-2a和3通道的BCI竞赛IV-2b数据集。对于每个受试者，GCWNet与最先进的方法进行了比较，显示其在EEG运动想象分类方面的优越性能。在44通道的高伽马数据集上的额外实验验证了GCWNet的泛化能力。还进行了消融研究以评估……

结论
我们提出了GCWNet，这是一种模块化的EEG架构，它通过“通道优先、时间其次”的流程明确地将电极通道关系与时间动态分开：一个通道编码器（PGNN）用于建模电极间依赖性，一个高斯基尔波时间路径（GSWConv）用于捕捉多带非平稳模式，以及一个轻量级的分类器。这种异构的、基于物理原理的设计直接解决了设备间异构和可能缺失的电极通道问题……

ORCID信息
第一作者：杨颖杰；电子邮件：[e-mail]
ORCID：https://orcid.org/0009-0004-8248-1860
第二作者兼通讯作者：张秀；电子邮件：[e-mail]
ORCID：https://orcid.org/0009-0000-5362-2450
第三作者兼通讯作者：张欣；电子邮件：[e-mail]
ORCID：https://orcid.org/0000-0003-3846-5498
第四作者：张丽华；电子邮件：[e-mail]
ORCID：https://orcid.org/0009-0003-3009-0609
第五作者：黄娇颖；电子邮件：……

作者声明
第一作者：杨颖杰
负责概念化、方法学、软件开发、调查、正式分析、撰写初稿、数据管理、数据分析和实验验证。
第二作者兼通讯作者：张秀
负责项目管理和撰写初稿、审稿和编辑、实验验证。
第三作者兼通讯作者：张欣
负责撰写和审稿、实验验证。
第四作者：张丽华；负责数据管理和数据分析。
第五作者：……

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。