一种用于脑电图解码与神经科学分析的新型变换器架构

《Scientific Reports》：A novel transformer architecture for EEG decoding and neuroscientific analysis

　　

摘要

深度学习极大地推动了脑机接口技术的发展。然而，大多数深度学习模型都如同黑箱一般，这限制了它们的临床应用价值以及科学解释性。由于缺乏透明度，很难判断预测结果是由真实的神经活动产生的还是由其他因素导致的。为了解决这一难题，我们提出了Analformer——一种基于Transformer的新型架构，旨在同时实现高预测性能与良好的神经科学可解释性。Analformer的核心组件是分析型补丁嵌入模块，该模块利用固定的、不可训练的Morlet小波核，从原始脑电图信号中提取出可解释的时空频率特征。这种结构使得包括时频分析、脑电地形图以及F值时频分析在内的标准神经生理学分析方法能够直接从模型的内部表示中得出。此外，通过分析这些可解释特征上的注意力权重，Analformer还能揭示出大脑各区域之间的功能关联。我们在两个大型公共数据集上对Analformer进行了测试，这些数据集涵盖了三种典型的脑机接口实验范式：运动想象、事件相关电位以及稳态视觉诱发电位。实验结果表明，Analformer在所有范式中都能展现出出色的性能，同时其分析结果也与现有的神经科学研究成果一致。这些结果表明，Analformer为高性能脑机接口解码与可解释的、基于数据的科学分析之间提供了统一的框架。