《Brain Sciences》：Multi-Domain Feature Fusion and Channel Attention in an Inception-Based Architecture for Motor Imagery EEG Decoding
编辑推荐：
背景与目的：现有运动想象（Motor Imagery, MI）脑电（Electroencephalogram, EEG）解码常受限于小规模数据集，影响泛化可靠性。本研究旨在鲁棒地解码多肢体MI意图。方法：研究人员从292名参与者（242名青年、50名老年）采集
背景与目的：现有运动想象（Motor Imagery, MI）脑电（Electroencephalogram, EEG）解码常受限于小规模数据集，影响泛化可靠性。本研究旨在鲁棒地解码多肢体MI意图。方法：研究人员从292名参与者（242名青年、50名老年）采集左/右臂与左/右腿想象任务的MI-EEG数据集，提取时域、频域及通道相关特征后，提出SE-EEG-Inception模型进行分类。结果：在严格的受试者内（subject-dependent）交叉验证协议下，模型平均4分类准确率达89.4%；二分类任务中，左臂vs右臂准确率88.3%，左腿vs右腿准确率90.0%。结论：该模型可区分不同及对称肢体的预测性EEG特征，其高性能体现了数据驱动的预测效用而非神经差异的机制性证明，为多肢体脑机接口（Brain–Computer Interface, BCI）控制提供了离线概念验证。
研究背景与动机
脑机接口（Brain–Computer Interface, BCI）技术在康复医学、辅助控制及人机交互中潜力显著，运动想象（Motor Imagery, MI）作为核心范式，通过想象左臂、右臂、左腿、右腿等部位运动反映感觉运动EEG节律。然而现有MI-EEG解码面临三大瓶颈：高质量大规模数据集匮乏导致多分类泛化受限；传统方法依赖时序复杂性与谱节律表征，难以刻画EEG非线性时空依赖；多分支卷积、多域融合与通道注意力三类技术路线分别存在可解释性弱、异构特征自适应加权缺失、大样本年龄异质队列验证不足等问题。为此，研究人员构建292人四分类MI-EEG私有数据集，提出SE-EEG-Inception模型，在受试者内协议下实现鲁棒个性化解码。
主要关键技术方法
研究人员整合内蒙古大学242名青年与通辽市兴隆新村50名老年共292名健康被试数据，采用64通道EEG设备以1000 Hz采样、5 s试次（4 s想象期）采集左/右臂/腿四分类MI信号；预处理选取C3、C4、CP3、CP4、Cz、FC3、FC4、FCz、CPz、Pz十通道，经独立成分分析（Independent Component Analysis, ICA）去眼电、去直流偏移、8–30 Hz四阶巴特沃斯带通滤波；多域特征提取涵盖时域（均值、标准差、峰峰值、偏度、样本熵）、频域（Mu/β频段功率、谱熵，Welch法估计功率谱密度（Power Spectral Density, PSD））与空域（各通道与Cz的Pearson相关）；模型端构建SE-EEG-Inception，以多尺度Inception并行卷积分支（3×1跨特征轴、1×1通道内精炼、深度可分离卷积捕通道协同）提取多尺度表征，嵌入Squeeze-and-Excitation（SE）模块经压缩-激励-重标定实现通道权重自适应，训练用Adam（学习率0.00012）、L2衰减4×10?5、Spatial Dropout 0.3与Dropout 0.35、早停（patience=35），在受试者内五折交叉验证下评估。
研究结果
3.1 运动想象EEG时域特征提取
通过十通道样本熵分布分析发现，手臂想象在C3、C4、FC3、FC4样本熵中位数0.623–0.629高于腿想象的0.615–0.625；FC3/FC4方差最显著，Cz/CPz/Pz分离度弱；C3、C4、FC3、FC4、CP3、CP4存在显著组间差异（FDR校正），证实样本熵具多分类判别价值。
3.2 运动想象EEG频域特征提取
Mu频段左臂在C3/FC3/CP3功率偏高（中位数约?12.32 dB），右臂在C4/CP4偏高；C3左臂Mu功率显著高于右臂（Cohen’s d=0.718）与腿想象；Beta频段左臂C3、右臂C4/FC4功率偏高，腿想象在FC3/FC4/CP4集中，表明Mu/β节律呈肢体特异性侧化调制。
3.3 运动想象EEG空域特征提取
各通道与Cz相关显示CPz最强（0.412–0.441），手臂想象CPz相关更高，腿想象FCz/FC3相关更高（FCz左腿0.353 vs手臂0.307）；CP3/CP4/Pz相关近零或微负，说明腿想象激活额中央耦合模式不同于手臂。
3.4 基于SE-EEG-Inception的分类性能评估
在受试者内五折协议下，SE-EEG-Inception平均四分类准确率89.4%、宏平均F1领先FBCSP、Riemannian TSC、SVM、Transformer、EEGNet、CNN、ACNet、MSTGCN等基线；四分类混淆矩阵均衡，左vs右臂二分类88.3%、左vs右腿90.0%；292人个体准确率标准差4.13%、IQR 3.75%，远窄于时序CNN基线（SD 5.37%），DepthwiseConv2D核权解释显示C3/C4/CP3/CP4获高预测权重，印证数据驱动空间侧重感觉运动区。
3.5 消融实验
剔除SE模块准确率降至85.5%（降幅最大），剔多尺度降至86.7%，剔频域降至88.1%，剔时域/空域影响较小；测试期随机置换9个特征行顺序致盲测显著退化，证实3×1局部卷积捕获相邻特征间非线性协方差而非全局混频。
讨论部分总结
研究人员明确指出本研究为健康坐姿被试实验室级EEG的离线概念验证，不直接支撑真实假肢或神经康复部署；89.4%四分类与对称肢体二分类高精度源于多尺度提取与通道注意力协同捕捉对称肢体微稳定差异，为大自由度MI-BCI奠基。两站点合并意在引入环境阻抗与试次数异质（58 vs 82试次/任务）而非年龄机制对比；局限含持续视觉线索潜在诱发电位混淆、未嵌套调参可能乐观偏倚、单场次无跨session验证、无同步肌电（Electromyography, EMG）排除微动污染、未评信息传输率（Information Transfer Rate, ITR）等在线指标；结论强调高准确率属预测效用非机制神经映射。
结论部分翻译
本研究SE-EEG-Inception模型在292人EEG数据集上获平均四分类运动想象准确率89.4%，左vs右臂二分类88.3%、左vs右腿90.0%。结果表明无创EEG可区分不同肢体MI模式，亦能在同类型想象下分类对称肢体（如左右臂）间预测特征模式。该能力由多尺度卷积与通道注意力协同支撑：前者捕多域特征-通道互补表征，后者按预测效用自适应重标通道权，缓解冗余与不均衡贡献以实现高个性化解码；时-频-空域融合进一步提升模糊类别可分离性。研究证实高度异质人群中MI-EEG解码可行，为多肢体BCI（如智能假肢、神经康复）提供技术支撑。未来工作聚焦轻量化与实时部署及临床患者群验证，在线跨session、跨设备与患者特异验证是转化前置条件。
