《Applied Sciences》：Optimizing EEG-Based Motor Imagery Decoding for Neurorehabilitation: A Deep Learning Framework with Catastrophic Forgetting Mitigation
编辑推荐：
（1）背景：通过脑电图（EEG）进行的运动想象（MI）分析对于脑机接口（BMIs）和神经康复至关重要，尽管EEG固有的噪声给辅助患者康复的鲁棒解码算法开发带来了挑战。（2）方法：本研究引入了一个深度学习流水线，利用IFNet卷积神经网络，结合频率滤波和两种缩放
（1）背景：通过脑电图（EEG）进行的运动想象（MI）分析对于脑机接口（BMIs）和神经康复至关重要，尽管EEG固有的噪声给辅助患者康复的鲁棒解码算法开发带来了挑战。（2）方法：本研究引入了一个深度学习流水线，利用IFNet卷积神经网络，结合频率滤波和两种缩放方法来解码踏车MI。为缓解迁移学习中的灾难性遗忘，研究人员整合了一种基于旋转弹性权重巩固（rEWC）的权重调整程序。该流水线在23名非残疾参与者中进行了验证，每人参与四次实验，通过伪在线（开环）和实时在线（闭环）分析评估了四种方法。（3）结果：在选定的伪在线方法中，MI解码准确率超过80%（个别高达95%），而实时在线分类平均准确率为70%，对放松任务略有偏向，两种场景均确认了统计学显著性。（4）结论：这些发现表明，在深度学习模型的迁移学习中缓解灾难性遗忘并应用适当的缩放对于获得最佳性能至关重要。因此，所提出的深度学习流水线对于有效的、自适应的基于EEG的神经康复系统具有重要前景。
**论文解读：基于EEG的运动想象解码优化——一种融合灾难性遗忘缓解的深度学习框架**
**研究背景与问题**
神经康复领域中，脑电图（EEG）因其非侵入性、易用性成为脑机接口（BMI）的重要信号源。运动想象（MI）——即对运动意图的心理表征而不实际执行运动——可激活运动皮层，促进神经可塑性，因此在卒中后运动康复中具有重要意义。通过EEG解码MI，可实现对康复设备（如临床功率车、外骨骼）的闭环控制，增强患者主动参与。然而，EEG信号具有高度非线性、内源性、个体间/个体内变异大的特点，非侵入记录的信噪比高，导致传统解码算法鲁棒性不足。近年来，深度学习（DL）在MI解码中展现出优势，但面临两大挑战：一是训练数据需求大，跨个体/跨会话的迁移学习常导致“灾难性遗忘”——模型在学习新数据分布时覆盖先前学到的特征；二是信号预处理中的缩放方法不当会加剧类别偏倚。因此，如何设计能持续学习、抵抗遗忘、且能适应个体差异的轻量级解码管道，成为实现实用化神经康复BMI的关键。
**研究内容与结论**
本研究提出了一种基于深度学习（DL）的EEG MI解码管道，用于解码踏车运动想象。该管道包含预处理（频率滤波、两种缩放方法）、IFNet卷积神经网络（CNN）分类器，以及基于旋转弹性权重巩固（rEWC）的权重调整策略以缓解灾难性遗忘。研究在23名非残疾参与者（18–77岁，来自西班牙马德里Severo Ochoa医院伦理委员会批准）中进行了四会话实验，通过伪在线（开环）和实时在线（闭环）两种方式评估了四种方法（方法1：MinMax缩放+无rEWC；方法2：MinMax缩放+rEWC；方法3.1：最大视觉阈值（MVT）缩放+rEWC+全部参与者；方法3.2：MVT缩放+rEWC+排除4名低表现参与者）。主要结论：伪在线解码中，方法3.2平均准确率超过80%（个别达95%），且消除了类别偏倚；实时在线分类中，方法3.1平均准确率约70%，但假激活率低（加权假激活率10.40，平均每分钟假激活<0.25次），真激活率高达89.60%。统计检验（Wilcoxon符号秩检验，Benjamini-Hochberg校正）表明方法2与方法3.2的结果具有高度显著性（校正p<0.05）。该研究证明了通过结合rEWC和MVT缩放，可有效缓解迁移学习中的灾难性遗忘，并实现高精度、稳定的MI解码，为基于EEG的神经康复系统提供了可行方案。论文发表在《Applied Sciences》。
**主要关键技术方法**
1. **预处理与特征提取**：采用硬件滤波（50 Hz陷波，0.5–100 Hz带通）和软件状态空间滤波器组（三个并行巴特沃斯零相位带通滤波器：2–25 Hz、25–50 Hz、50–75 Hz），对1秒数据段进行滤波后求和。选取19个覆盖运动区的电极（FZ、F4、F3等）。将信号分割为2秒窗口，步长0.5秒（重叠1.5秒）。
2. **缩放方法**：比较最小-最大缩放（MinMax）和最大视觉阈值（MVT）缩放。MVT计算每个通道在一组预设epoch上的平均最大值用于归一化，可更好适应EEG个体差异。
3. **深度学习模型**：基于IFNet CNN架构，包含深度滤波、空间滤波、时间聚合（平均池化+dropout）及全连接层。训练采用批量大小32、重复试验增强（RTA）因子5、无重采样、补丁大小125、嵌入维度64、核大小63。
4. **灾难性遗忘缓解**：采用旋转弹性权重巩固（rEWC）算法，通过对损失函数梯度的Fisher信息矩阵对角化进行权重矩阵旋转，防止新数据覆盖旧特征。结合微调策略（每会话前用当前数据对模型进行短时再训练）。
5. **样本队列**：23名非残疾参与者（12男11女），来自西班牙Hospital Universitario Severo Ochoa de Leganés伦理委员会批准的实验，每名参与者完成4次实验会话。
**研究结果**
**3.1 伪在线分类（开环控制）**
- **方法1（MinMax+无rEWC）**：平均准确率65.5%，静态模型与骑行模型表现相似，但部分参与者存在严重类别偏倚（如U01、U05等），最大个体准确率87%（U14），最低50%（U20）。
- **方法2（MinMax+rEWC）**：平均准确率提升至~69%，偏倚略有改善但仍存在（如U01、U02），骑行模型略优于静态模型（准确率>70%）。个体最高86%（U13），最低52%（U02）。
- **方法3.1（MVT+rEWC，全部参与者）**：平均准确率75.7%，类别偏倚消除，静/骑行模型表现一致。个体最高94%（U21），最低65%（U02）。趋势分析显示，随参与者数据增加，模型性能呈正相关（Pearson相关系数0.43）。
- **方法3.2（MVT+rEWC，排除4名低表现者U02、U09、U10、U19）**：平均准确率超过80%（达80.7%），标准差6.4%，所有参与者均高于70%阈值。个体最高95%（U21），最低73%（U22）。趋势更强，与参与者数量正相关。
- **统计比较**：Wilcoxon检验（Benjamini-Hochberg校正）显示，方法2与3.2的静态和骑行模型均达到统计显著（校正p<0.05），方法3.1的骑行模型与其它方法比较时p值略高（0.25，0.24），但整体结论可靠。
**3.2 在线分类（闭环控制）**
- **方法2（MinMax+rEWC）**：测试5名参与者（U16–U20），加权假激活率（FAR）26.15，平均每分钟假激活<1次；加权真激活率（TAR）73.85%，加权真停止率（TSR）77.61%。个体间差异大（如U16无假激活，U18假激活率高）。
- **方法3.1（MVT+rEWC）**：测试3名参与者（U21–U23），加权FAR降至10.40（平均每分钟假激活<0.25次），加权TAR升至89.60%，加权假停止率（FSR）19.55，加权真停止率（TSR）80.45%。个体间差异小，性能稳健。
- **统计检验**：Wilcoxon符号秩检验p=0.06，在有限样本下仍具显著性。
**讨论与结论**
**讨论总结**：
伪在线结果逐步改进，方法3.2通过排除低表现个体实现平均准确率>80%，且无类别偏倚，适合临床。rEWC算法显著提升准确率，并确保模型随新数据加入持续改善（正斜率趋势线）。MVT缩放替代MinMax后消除了方法1和2中出现的偏倚，归因于MVT对EEG信号个体差异的适应性更强。闭环结果中，方法3.1的假激活率极低，真激活率高，证明其安全性和一致性；方法2的个体间差异较大，仍需改进。研究局限性在于闭环测试参与者数量有限（方法3.1仅3人），但统计证据仍支持结论。未来需在更大规模临床队列（如卒中或脊髓损伤患者）中验证，并优化轻量级电极配置。
**研究结论翻译**：
从EEG信号解码运动想象是一项具有显著潜在益处的复杂挑战。尽管EEG信号具有内源性、个体特异性和高度非线性的特点，但准确解码运动意图能够促进有效的神经康复治疗。在本研究中，研究人员提出、开发并评估了四种不同的运动想象解码方法，分别在伪在线和在线场景下进行了验证。伪在线分类取得了有希望的结果，特别是方法3。闭环场景也获得了类似结果，尽管数据集有限。需要进一步测试以完全确认其有效性。统计证据支持两种场景下得出的结论。本研究证明，使用高度优化的轻量级EEG框架可准确解码运动想象，该框架专为真实治疗转化而设计。通过成功整合rEWC算法与特定信号缩放技术（如MVT缩放），所提出的框架有效缓解了持续学习任务中的灾难性遗忘。实证和统计证据表明，聚焦于减少的、神经生理学相关的电极子集可最小化患者疲劳和计算开销，且不牺牲分类鲁棒性。虽然伪在线和闭环在线评估验证了这些迁移学习模型的高适应性，但其在大规模临床部署中的长期稳定性仍是未来验证的关键方向。最终，这些发现强调，精确的模型权重表征和局部空间滤波对于开发针对神经康复环境的可靠、经济高效的脑机接口至关重要。
