增强跨数据集脑电微状态解码：一种频段依赖框架与双向长短期记忆网络

《Neurocomputing》：Enhancing Cross-Dataset EEG Microstate Decoding: A Frequency-Band Dependent Framework with Bidirectional Long Short-term Memory Network

　　

摘要
脑电图 (EEG) 微状态分析是研究动态脑网络的关键工具。然而，跨数据集应用中的鲁棒性有限严重限制了模型的泛化能力和临床效用。这一问题的产生是因为不同频段的微状态对数据异质性表现出不同的反应，然而这一关键因素缺乏系统调查和量化，导致在脑机接口等领域缺乏最佳频段选择的理论指导。为解决这一缺口，本研究提出了一种新的深度学习评估框架，利用标准化的数据预处理和多模型比较，首次系统调查了 theta、alpha 和 beta 频段微状态在不同数据集中的拓扑稳定性和分类性能。我们整合了三个独立的公开 EEG 数据集，并采用基于双向长短期记忆网络的序列到序列模型，实现了对四种典型微状态的高效跨数据集分类。我们的关键发现表明，alpha 频段微状态表现出卓越的跨数据集鲁棒性，其特征是高度稳定的拓扑结构（类内相关性范围为 0.894 至 0.933）和超过 91% 的跨受试者分类准确率。在最具挑战性的跨数据集验证场景中，alpha 频段微状态的分类准确率峰值达到 85.12%，显著优于 theta 频段（62.85%）和 beta 频段（79.04%）。与最先进的方法相比，我们的方法将跨数据集分类性能提高了 16.93%。总之，我们的研究首次量化了 alpha 频段微状态的稳定性优势，为频段选择策略提供了稳健的理论和方法论基础，对脑机接口和闭环神经调控系统具有直接影响。

引言
脑电图 (EEG) 微状态分析作为表征大规模脑功能网络动态重组的关键方法 [1], [2]，利用其毫秒级时间分辨率和稳定的拓扑模式，在阐明认知处理机制、意识状态转变以及识别神经精神疾病生物标志物方面揭示了巨大的潜力 [3], [4], [5]。随着脑机接口 (BCIs) 和闭环神经调控技术对神经过程动态解析的迫切需求 [6], [7]，微状态分析已从离线特征提取发展为在线实时识别 [8], [9]，为其在临床诊断、多中心合作研究和自适应神经反馈系统中的应用开辟了广阔前景 [10], [11]。然而，微状态分析实际应用中的一个关键挑战在于其跨数据集泛化能力的可靠性尚未得到验证。由于不同 EEG 数据在采集设备、实验方案和参与者人群方面存在显著异质性 [12], [13]，微状态模板的稳定性和识别模型的鲁棒性在不同数据集中往往表现出不一致的性能（见图 1），严重限制了其在大规模多中心研究中的可重复性和潜在临床应用 [14], [15]。因此，开发具有可靠跨数据集泛化能力的微状态分析方法已成为推进其在大规模临床验证和即插即用脑机接口系统开发中应用的关键前提。在此背景下，一个至关重要的要求是系统评估解码模型在异质数据集上的鲁棒性，使得泛化性能的提升深化对动态脑网络机制的理论理解，也为微状态解码在临床和工程中的稳健应用奠定基础 [2], [16]。

传统上，脑电图微状态分析涉及对宽带或特定频段信号中的头皮电位拓扑进行聚类，以识别特征性拓扑模式，如微状态 A、B、C 和 D [17], [18]。研究表明，这四类微状态与不同的认知处理网络密切相关：微状态 A 通常与听觉处理相关，微状态 B 与视觉处理相关，微状态 C 涉及注意力和显著性网络，而微状态 D 可能与认知控制和执行功能相关 [16], [19]。通过量化持续时间、发生频率和状态转换概率等动态特征，该方法揭示了脑功能网络的快速重组及其与认知过程和神经精神疾病的关联 [1], [20]。近年来，深度学习的进展促进了微状态分析从离线处理向在线识别的转变，在跨受试者泛化方面取得了初步进展 [8]。最近的频段特异性研究进一步表明，微状态拓扑及其时间动态受到不同振荡频段的差异化调节，表明它们对认知过程和病理状态具有独特的贡献 [21], [22]。例如，Zhao 等人的序列到序列学习框架在跨受试者条件下实现了超过 74% 的分类准确率，为脑机接口和实时神经反馈系统的应用提供了关键支持 [9]。然而，现有研究通常关注单一频段或宽带信号，忽视了微状态拓扑和动态特征在不同频段之间的潜在差异，且未系统调查频段选择对跨数据集泛化性能的影响 [18], [23]。神经生理学证据表明，theta、alpha 和 beta 频段中的振荡活动源于不同的神经发生器，分别有助于记忆编码、静息态网络活动和运动计划等认知功能，同时对噪声和伪影表现出不同的敏感性 [24], [25], [26]。具体而言，与丘脑 - 皮层回路相关的 alpha 频段微状态表现出更高的内在稳定性 [27], [28]，而 theta 和 beta 频段微状态更容易受到个体差异和上下文变化的影响 [25], [29], [30]。这些发现突显了频段特异性分析的必要性。支持性证据表明，与宽带方法相比，窄带微状态特征（如 alpha 频段）为神经和精神疾病提供了更优的判别能力 [31]。这些机制差异表明，微状态在数据集间的鲁棒性可能因频段而异，但针对该问题的实证研究仍然有限，阻碍了对频段特异性效应的全面理解 [24]。

尽管在脑电图微状态分析的理论和应用方面取得了显著进展，但其跨数据集泛化能力以及缺乏频段特异性研究仍然是关键瓶颈，严重限制了其在多中心研究和实际应用中的可靠性 [14]。特别是，这一限制阻碍了基于微状态的生物标志物在跨中心验证研究和为异质用户群体设计的即插即用 BCI 系统中的实施。首先，现有微状态识别模型在跨数据集条件下的泛化能力尚未得到系统评估。数据采集设备、实验方案和参与者人群的异质性导致模板稳定性和分类性能不一致（见图 1），限制了微状态在临床诊断和 BCI 系统中的更广泛应用 [12], [13]。其次，当前研究很大程度上忽视了微状态鲁棒性的频段依赖性，缺乏对 theta、alpha 和 beta 频段微状态在跨数据集条件下的拓扑一致性和分类鲁棒性的系统比较和定量分析 [23], [24]。这一缺口不仅阻碍了对动态脑网络机制的更深理解，也导致实际应用中段频段选择缺乏足够的实证证据，从而限制了高性能 EEG 解码和神经调节系统的发展 [6], [11]。因此，建立一个整合跨数据集验证和频段特异性分析的统一评估框架至关重要，这不仅有助于阐明微状态鲁棒性的频段依赖模式，也为开发具有高泛化能力的 EEG 分析和应用系统提供关键理论支持 [9]。

为了解决上述研究缺口，本研究系统地构建了一个整合多数据集、多频段比较和深度学习模型的统一评估框架，首次严格量化 theta、alpha 和 beta 频段微状态在跨数据集泛化能力上的差异。我们整合了三个具有显著异质性的公开多通道 EEG 数据集 [32], [33], [34]，这些数据集在采集设备、实验范式和参与者人群方面差异巨大，从而为验证频段特异性鲁棒性提供了真实且具有挑战性的测试环境。在此基础上，我们设计了一个标准化的数据处理和频段特异性微状态分析流程，包括带通滤波和微状态聚类、电极映射和序列分割、使用双向长短期记忆 (Bi-LSTM) 网络的序列到序列建模 [9]，以及在参与者和数据集之间的双重验证，以全面评估微状态拓扑一致性和模型泛化性能。实验结果表明，alpha 频段微状态表现出优越且一致的跨数据集鲁棒性，在最具挑战性的跨数据集中实现了 85.12% 的最高识别准确率，显著优于 theta 频段（62.85%）和 beta 频段（79.04%）。这一发现不仅首次提供了微状态泛化性能频段依赖性的实证证据，还将 alpha 频段确立为稳健特征选择的优选频段，为开发稳健的 BCI 和闭环神经调节系统提供了关键的理论和方法学指导。本研究的主要贡献如下：
(1) 系统验证了特定频段微状态在多个数据集中的跨数据集泛化能力，确认了 alpha 频段的显著稳定性优势。
(2) 开发了微状态分析的标准化跨数据集评估框架，为未来研究提供方法学参考和验证平台。
(3) 阐明了频段选择对微状态识别可靠性的关键影响，为实际应用中的模型部署和系统开发提供了有价值的见解。

章节片段
方法与材料
本研究开发了一个综合性的深度学习评估框架，以系统调查不同数据集中频段特异性 EEG 微状态的识别鲁棒性。如图 2 所示，该框架包含三个核心模块：多数据集多频段微状态标签构建、序列到序列在线识别模型以及双重验证框架。

实验与结果
为了评估所提出的在线 EEG 微状态识别方法的性能，实验使用了三个公开的 EEG 数据集（ds003478、ds005305 和 SEED-IV），涵盖 theta、alpha 和 beta 频段。评估从三个维度进行：微状态拓扑一致性、跨受试者识别性能和跨数据集泛化能力。测试了多种深度学习模型，包括 MLP、ResMLP、LeNet5,

主要发现与以往工作的比较
本研究建立了一个系统的跨数据集深度学习评估框架，首次揭示了频段特异性对 EEG 微状态分析鲁棒性的关键影响。它明确验证了 alpha 频段微状态在跨数据集识别任务中的优越稳定性和准确性。这种性能差异并非偶然，而是有明确的神经生理机制和拓扑基础 [52], [53]。具体而言，在

结论
通过构建一个综合性的深度学习评估框架，本研究首次系统调查了不同频段 EEG 微状态在跨数据集场景下的鲁棒性。定量分析显示，alpha 频段微状态在跨数据集稳定性和泛化能力方面显著优于 theta 和 beta 频段，在最具有挑战性的跨数据集验证中实现了高达 85.12% 的分类准确率。

利益声明
作者声明，他们没有任何已知的竞争性经济利益或个人关系，这些因素可能会影响本论文中报告的工作

CRediT 作者贡献声明
张立新：写作 – 初稿，验证，监督，方法论，形式分析。崔昆波：写作 – 审阅 & 编辑，写作 – 初稿，验证，方法论，调查，数据整理，概念化。吴中庆：验证，软件，调查。蒋华：验证，监督，软件。胡斌：写作 – 审阅 & 编辑，监督，资金获取。田福泽：写作 – 审阅 & 编辑，验证，监督，资金获取。赵青林：

利益冲突
作者声明没有利益冲突。

致谢
这项工作得到了中华人民共和国科技部 STI2030-重大项目的部分支持（编号 2021ZD0200408），部分得到了国家重点研发计划（编号 2023YFC2506804）的支持，部分得到了中央高校基本科研业务费（lzujbky-2022-kb01 和 lzujbky-2024-jdzx03）的支持。

崔昆波隶属于兰州大学信息科学与工程学院，甘肃省可穿戴计算重点实验室，中国兰州。
崔昆波 | 张立新 | 蒋华 | 吴中庆 | 田福泽 | 赵明琪 | 赵青林 | 胡斌
兰州大学信息科学与工程学院，甘肃省可穿戴计算重点实验室，730000 中国兰州