《Brain-Apparatus Communication: A Journal of Bacomics》：Ghost-LENet: a lightweight convolutional neural network for EEG-based motor imagery brain–computer interfaces
编辑推荐：
摘要 目的 在本文中，研究人员提出了Ghost-LENet，一种基于LENet框架的轻量级卷积神经网络，用于基于脑电图（EEG）的脑机接口（BCI），特别是运动想象（MI）分类任务。方法 该模型集成了多个轻量级设计组件，以在保持非常小的参数规模的同时改善特征表
摘要 目的 在本文中，研究人员提出了Ghost-LENet，一种基于LENet框架的轻量级卷积神经网络，用于基于脑电图（EEG）的脑机接口（BCI），特别是运动想象（MI）分类任务。方法 该模型集成了多个轻量级设计组件，以在保持非常小的参数规模的同时改善特征表示。具体来说，在初始块中结合了扩张时间卷积和静态小波变换（SWT），以捕获EEG信号的多尺度时间特征。此外，引入了带有高效通道注意力（ECA）的动态残差融合机制，称为DR-ECA，以自适应地平衡注意力增强特征和原始特征。此外，还引入了Ghost模块以提高参数效率，同时保持特征提取能力。结果 在多个公共EEG数据集上的实验结果表明，Ghost-LENet在仅需数千个可训练参数的情况下实现了具有竞争力的分类性能。具体来说，Ghost-LENet在BCI Competition IV-2a和IV-2b数据集上分别达到了82.18%和83.05%的分类准确率。结论 总体而言，Ghost-LENet为基于EEG的运动想象分类提供了一种轻量级且高效的解码框架，在模型复杂度和分类性能之间展现出良好的平衡。
**论文解读：Ghost-LENet——基于轻量级卷积神经网络的脑电运动想象解码框架**
**一、研究背景、问题与动机**
脑机接口（BCI）技术使大脑信号与外部设备直接通信成为可能。脑电图（EEG）因其非侵入性、高时间分辨率和低成本，成为BCI研究中应用最广泛的信号之一。运动想象（MI）是EEG-BCI的重要范式，广泛应用于医疗辅助、设备控制和运动功能康复。然而，EEG信号具有低信噪比（SNR）和显著的个体间变异性，导致现有MI解码模型面临准确率有限、泛化能力不足和跨被试性能不稳定等挑战。传统机器学习方法（如线性判别分析（LDA）和支持向量机（SVM））依赖手工特征提取，泛化能力受限。深度学习方法（如EEGNet、DeepConvNet）虽能自动提取特征，但存在模型复杂度高、参数规模大、难以在资源受限或实时场景中部署的问题。近年来，多尺度卷积神经网络（CNN）和混合架构（如CNN-Transformer）提升了特征表示能力，但往往伴随较高的计算复杂度。轻量级模型（如LENet）在参数效率上有所进步，但在多尺度时频建模方面仍有不足。因此，有必要设计一种在时频表示能力、解码精度和计算效率之间取得平衡的轻量级模型。
**二、研究内容与结论**
针对上述问题，研究人员提出了Ghost-LENet，一种基于LENet框架的轻量级卷积神经网络，用于EEG-MI分类。该模型在保持极低参数规模（数千个可训练参数）的同时，通过集成多个轻量级设计组件提升了特征表示能力。实验在三个公共EEG数据集（BCI Competition IV-2a、IV-2b和Dataset 1）上进行，结果表明Ghost-LENet取得了具有竞争力的分类性能：在BCI IV-2a上准确率为82.18%±12.30%，Kappa值0.76；在BCI IV-2b上准确率为83.05%±11.59%，Kappa值0.66；在Dataset 1上准确率为92.14%±12.62%，Kappa值0.843。与EEGNeX等较大模型相比，Ghost-LENet在参数规模（仅为EEGNeX的约6%）和计算复杂度（FLOPs）上大幅降低，同时保持了接近或略优的精度。该研究表明，Ghost-LENet提供了一种轻量级、高效的解码框架，有利于在资源受限的BCI系统中部署。
该论文发表在《Brain-Apparatus Communication: A Journal of Bacomics》。
**三、主要关键技术方法**
Ghost-LENet的核心技术包括：（1）多尺度小波时间提取块（MWTE-Block）：结合静态小波变换（SWT）和扩张时间卷积，通过Haar小波沿时间轴分解为低/高频分量，再利用扩张因子d∈{1,3,5}的三个并行卷积捕获短、中、长程时间依赖，最后通过1×1卷积融合多尺度特征。（2）空间DR-ECA增强块（SDE-Block）：使用分组空间卷积（C×1，8组）建模通道间依赖，并引入动态残差融合机制（DR-ECA），将高效通道注意力（ECA）与可学习残差权重（α1, α2）结合，自适应平衡注意力增强特征与原始特征。（3）频率-Ghost特征精炼块（FGFR-Block）：包含LiteGhost模块，通过主卷积和廉价深度卷积生成特征，经通道拼接和1×1卷积融合，再经DR-ECA精炼，以实现参数高效的轻量级特征表示。实验数据来源于公开的BCI Competition IV-2a（22通道，250Hz，9名被试，4类MI）、BCI IV-2b（3双极通道，250Hz，9名被试，2类MI）和BCI Competition IV Dataset 1（59通道，100Hz，7名被试，2类MI）。所有数据采用统一预处理流程：7–35Hz带通滤波、50Hz陷波滤波、固定长度试次提取、10折交叉验证。
**四、研究结果**
**4.1 Ghost-LENet的性能评估**
通过与DeepConvNet、EEGNet、EEGNeX和LENet在统一预处理和评估协议下的对比，Ghost-LENet在BCI IV-2a上准确率82.18%±12.30%（参数3453个，FLOPs 35.99M），略低于EEGNeX（83.62%，参数84932个），但参数规模仅为EEGNeX的4%；在BCI IV-2b上准确率83.05%±11.59%（参数2534个，FLOPs 5.18M），高于所有对比模型。结果表明Ghost-LENet在分类性能与模型复杂度之间取得了良好平衡。
**4.2 参数分析**
**DR-ECA消融与动态残差权重分析**：在BCI IV-2a上，DR-ECA准确率82.18%，高于SE（81.09%）和ECA（81.95%），且参数数与ECA相同。学习到的残差权重α1和α2随被试变化，表明模型能自适应调整特征融合策略，但权重绝对值与准确率无单调关系，其贡献主要由消融实验支持。
**FGFR-Block参数分析**：对LiteGhost模块的压缩比r（2,4,8）和卷积核大小k（8,16,32）进行网格搜索。r=2、k=16配置在稳定性和效率上最优，平均准确率稳定，GPU推理能耗适中（98.96±8.09 J）。能量消耗分析显示，r=2时能耗最低，且随r增大能耗增加。
**4.3 与其他方法的对比**
与文献中已报道的FBCSP、SSMM、DeepConvNet、CNN-TL等方法相比，Ghost-LENet在BCI IV-2a上平均准确率82.2%，Kappa值0.76；在BCI IV-2b上平均准确率83.1%，Kappa值0.66，均表现出竞争力。但需注意不同研究的预处理和评估协议可能存在差异，对比仅供参考。
**4.4 运动想象的特征可解释性**
通过Grad-CAM和梯度-输入敏感性分析，研究人员对模型的空间注意力分布进行了可视化。在空间卷积前，电极级Grad-CAM显示关键通道集中于中央区和中央顶区（如C3、C4、Cz、CPz等）；在空间卷积后，通过输入梯度与时间门控结合估计通道敏感性。被试间关键通道分布存在差异，表明模型利用了被试依赖的空间组合。进一步对Subject 3进行输入级通道扰动实验：交换C4和CPz后准确率从0.9914降至0.5345，替换C4或CPz后准确率分别降至0.6810和0.7241，且不同类别的敏感性不同（如Label 0对C4敏感，Label 2对CPz敏感），表明模型具有任务相关通道功能分化，但经典的C3/C4侧化模式并非始终明显。这些结果应视为模型判别敏感性的近似，而非严格的神经源定位。
**4.5 SDE块和FGFR块数量的消融研究**
在BCI IV-2a上测试了四种配置：单个SDE和单个FGFR（配置A）准确率82.18%，参数3453个；增加至两个SDE（配置B）或两个FGFR（配置C）或两对（配置D）后，准确率分别下降5.84%、6.41%和9.77%，表明单层结构在表达能力和泛化性能间更优。
**4.6 在BCI Competition IV Dataset 1上的结果**
Ghost-LENet准确率92.14%±12.62%（Kappa 0.843，参数5199个），低于EEGNeX（93.36%，参数86498个），但参数仅为EEGNeX的6%，约DeepConvNet的1/51，表明在轻量级约束下具有更优的精度-效率折中。
**五、总结与讨论**
**总结讨论**：论文在结论部分总结指出，Ghost-LENet通过静态小波前端、多尺度扩张时间卷积、动态残差通道注意力和Ghost轻量级特征精炼，在分类性能与模型复杂度之间取得了有利平衡。消融实验表明DR-ECA模块提供了适度但一致的改进。然而，研究存在若干局限性：当前实验基于离线被试依赖设置，需进一步在跨被试、跨 session 和在线闭环场景下验证；空间归因分析仅提供初步观察性证据，而非严格的神经生理源定位，未来需引入空间先验、通道级正则化和跨被试可解释性分析；被试间性能差异表明需要校准少或无校准的适应策略。未来工作将在更大规模多中心数据集和标准化基准（如MOABB、BNCI）上评估，并探索将轻量级卷积框架与循环网络或Transformer模块结合，以改进长程时间依赖建模。
**翻译研究结论部分**：
在本文中，研究人员介绍了Ghost-LENet，一种基于LENet的轻量级卷积架构，用于基于EEG的运动想象分类。该模型集成了静态小波前端、多尺度扩张时间卷积、动态残差通道注意力和Ghost轻量级特征精炼，以改善分类性能与模型复杂度之间的平衡。在BCI IV-2a和BCI IV-2b上，Ghost-LENet分别达到了82.18%±12.30%的平均准确率（Kappa值0.76）和83.05%±11.59%的平均准确率（Kappa值0.66）。这些结果表明，Ghost-LENet在保持紧凑参数规模的同时实现了具有竞争力的解码性能。与统一实验协议下复现的基线模型相比，Ghost-LENet并非在所有数据集上均获得最高准确率。例如，在BCI IV-2a上，EEGNeX取得了更高的平均准确率，但需要大量增加参数和FLOPs。相比之下，Ghost-LENet在保持远小模型规模的同时实现了可比的分类性能。在BCI IV-2b上，Ghost-LENet在复现的基线中取得了最佳平均准确率。这些发现表明，所提出模型在分类准确率与计算复杂度之间提供了有利的折中，特别是在轻量级部署约束下。消融结果进一步表明，所提出的DR-ECA模块在当前实验设置下提供了适度但一致的改进。总体而言，结果支持Ghost-LENet的三个主要设计考量：首先，小波分解与扩张时间卷积的组合为MI-EEG信号提供了互补的时频表示；其次，动态残差通道注意力为平衡注意力增强特征与原始特征提供了灵活机制；第三，基于Ghost的轻量级特征精炼有助于在保持模型紧凑的同时丰富特征表示。这些组件共同使Ghost-LENet在解码精度、参数效率和计算成本之间实现了实用平衡。
