用于运动想象分类的基于多尺度注意力的重构融合网络

《IEEE Transactions on Big Data》：A Multi-Scale Attention-Based Reconstruction Fusion Network for Motor Imagery Classification

　　# 摘要：运动想象（MI）是脑机接口（BCI）系统中广泛应用的一种认知范式，准确高效的运动想象解码对于实时人机交互至关重要。然而，脑电图（EEG）信号的非平稳性和显著的被试间差异为可靠解码带来了重大挑战。为了解决这些问题，我们提出了一种基于多尺度注意力的重建融合网络（MSARFNet）用于运动想象-EEG解码。该框架采用并行多尺度卷积分支，以提取不同时间分辨率下的判别性时空特征。随后引入基于注意力的重建融合模块，选择性地抑制非主导信息，同时促进多尺度特征之间的有效交互。此外，设计了局部-全局时间编码策略，通过局部时间上下文聚合增强瞬时运动想象相关响应，并通过全局时间建模捕获长程时间依赖关系。在BCI竞赛IV 2a和2b数据集上进行的被试依赖实验表明，MSARFNet的平均分类准确率分别为84.64%和87.96%，优于多种最先进方法。这些结果表明，MSARFNet为基于EEG的运动想象解码提供了一种有效且鲁棒的解决方案。## I. 引言脑机接口（BCI）是一种直接将大脑与外部设备连接的技术，使用户无需依赖肌肉参与，仅通过神经活动即可控制外部系统。这项技术在神经康复[1]、辅助交流和人机交互[2]等领域具有重大潜力。在各种BCI范式中，运动想象（MI）是最广泛研究的范式之一。运动想象是指个体在脑中模拟特定动作而不实际移动身体的过程，从而在感觉运动皮层诱发特征性的脑电波变化。这些变化通常表现为事件相关去同步化（ERD）和事件相关同步化（ERS），特别是在μ和β频段[3]。这些反应可以通过脑电图（EEG）有效捕捉，为运动想象-BCI提供了生理学基础。近年来，运动想象-BCI在卒中康复训练[4]、智能轮椅控制[5]和神经反馈中取得了初步应用成果。然而，EEG信号信噪比低、个体间差异大[6]，且易受生理伪迹干扰，使得可靠提取诱发的神经反应变得困难，显著增加了运动想象相关信号的识别和分类难度。