一种用于运动想象分类的动态多分支EEG解码网络及初步临床验证

《Frontiers in Neuroscience》：A dynamic multi-branch EEG decoding network for motor imagery classification with preliminary clinical validation

　　

运动想象脑电图（motor imagery EEG, MI-EEG）解码由于EEG信号的低信噪比、非平稳性和受试者间变异性而仍然具有挑战性。该研究提出一种动态多分支脑电解码网络（dynamic multi-branch EEG decoding network, DMB-EDN），该网络联合建模时间动态、可学习时频模式和节律特异性频谱信息。DMB-EDN将基于可学习Gabor的时频表示与生理引导的节律建模相结合，并采用试验条件动态融合（trial-conditioned dynamic fusion）分别估计每个EEG试验中每个分支的贡献。该设计能够对互补的数据驱动表示和生理引导表示进行自适应协调。所提出的方法在BCI Competition IV 2a数据集、High Gamma Dataset和一个自采集的脊髓损伤（spinal cord injury, SCI）数据集上进行了评估。在受试者特定评估下，DMB-EDN在BCI Competition IV 2a上实现了96.41%的平均准确率和0.952的kappa系数。在High Gamma Dataset上，它在接近饱和条件下取得了与最强基线相当的性能。在SCI数据集上的留一受试者交叉验证中，DMB-EDN获得了85.00%的准确率和0.700的kappa系数，为改进的离线跨受试者解码提供了初步证据。消融实验证实了三个表示分支和试验条件融合的互补贡献，而融合权重分析揭示了系统性的类别相关和振荡相关变化。这些结果证明了DMB-EDN在EEG解码中的有效性，但仍需在更大的多中心队列和前瞻性在线BCI系统中进行验证。

运动想象脑电图（motor imagery EEG, MI-EEG）解码是脑机接口（brain-computer interface, BCI）研究的关键环节。由于EEG信号具有低信噪比、非平稳性和跨受试者变异性，固定的特征表示或统一的集成策略难以在不同数据集和临床记录中保持稳定性能。现有深度模型虽然能学习时间、空间和频谱特征，但数据驱动的频率学习与生理预定义节律信息往往被分开或混合到潜在空间中，削弱了它们的互补作用；同时，已有注意力机制不能显式生成针对时间、可学习时频和节律特定谱等语义不同分支的逐试次规范化权重。为此，研究人员提出了动态多分支脑电解码网络（dynamic multi-branch EEG decoding network, DMB-EDN），并在《Frontiers in Neuroscience》上发表。

DMB-EDN通过三个并行分支对EEG进行互补建模：时间分支、可学习时频分支和节律特定光谱分支。时间分支利用紧凑时空卷积、重叠滑动窗口、注意力增强和时间卷积网络（temporal convolutional network, TCN）提取局部及长时程时间动态；可学习时频分支采用参数化Gabor滤波器组（初始化为1–30 Hz）获得自适应时频表示；节律特定光谱分支则显式建模theta、alpha、beta和gamma节律及频带间关系。三个分支的输出由样本级动态融合模块整合，通过softmax生成每个EEG试验的归一化分支权重。该研究在BCI Competition IV 2a（9名受试者，22通道）、High Gamma Dataset（HGD，14名健康受试者）以及自采集脊髓损伤（spinal cord injury, SCI）数据集（与山东中医药大学附属医院康复科合作，9例患者，使用博睿康W4盐水电极系统）上进行了评估。

主要结果如下：

**BCI IV-2a上的主要结果**：在受试者特定评估中，DMB-EDN取得96.41%的平均准确率、96.45%的Macro-F1、96.45%的平衡准确率和0.952的Cohen’s kappa，优于EEGNet、ShallowConvNet、EEG-TCNet、TCNet-Fusion、MBEEG-SENet和ATCNet等基线，且所有9名受试者准确率均超过91%，表明该模型在公开基准上具有较强且稳定的解码能力。

**HGD上的附加验证**：在接近饱和的HGD上，DMB-EDN取得99.82%的平均准确率和0.998的kappa，与最强基线ATCNet仅差0.01个百分点，说明模型在高质量数据下仍保持竞争性，但无实质性优势，该结果被视为补充验证。

**自采集SCI数据集上的临床验证**：采用留一受试者交叉验证时，DMB-EDN获得85.00%的平均准确率、84.99%的Macro-F1、85.00%的平衡准确率和0.700的kappa，优于所有基线，为离线跨受试者解码提供了初步临床证据。但样本量小且异质性高，结果需谨慎解读。

**与ATCNet的受试者水平统计比较**：在BCI IV-2a上，DMB-EDN平均准确率提升15.32个百分点，Holm校正后仍显著，且效应量大；在SCI数据上提升9.86个百分点但校正排列检验未达显著；在HGD上无显著差异。这表明模型优势主要体现在更具挑战性的数据集上。

**计算复杂度和离线推理效率**：DMB-EDN包含2.55M可训练参数，单次前向传播需185.62 MFLOPs，CPU上平均推理延迟142.41 ms/试次，高于轻量级模型，但仍具备离线分析可行性。研究人员指出该延迟未包含信号采集与预处理，不能直接证明实时BCI能力。

**特征分布可视化**：利用t-SNE对BCI IV-2a试验级表示进行可视化，DMB-EDN的类内更紧凑、类间重叠更少；Davies-Bouldin指数为1.08±0.12，低于所有基线，定量支持特征可分性提升。

**试验条件融合权重分析**：对测试试次的融合权重分析显示，时间分支在左右手想象中权重较高，可学习时频分支在脚和舌想象中贡献更大；β频带功率与可学习时频分支权重在受试者5中呈正相关（ρ=0.66, p<0.001），组级分析显示μ与β功率与相关分支权重存在显著Spearman相关。这支持融合模块并非固定权重，而是根据试次振荡特征动态分配。

**分支级消融实验**：在BCI IV-2a上比较所有非空三分支组合，完整三分支模型准确率最高（96.41%），单个分支中时间分支最强（92.18%），双分支中时间+可学习时频最佳（94.67%），确认三个表示互补而非冗余。

**组件级消融实验**：去除注意力机制使准确率下降最大（降至94.23%），单窗口配置降至94.78%，去除可学习时频变换和频带间注意力分别降至95.34%和95.06%，说明注意力增强、多尺度时间建模和跨频带交互均对整体性能有贡献。

**融合策略比较**：与平均融合、特征拼接、固定权重和全局学习权重相比，试验条件动态融合准确率最高（96.41%），比全局权重提升0.84个百分点，且参数增加有限，证明逐试次动态融合的重要性。

**注意力机制类型消融**：比较无注意力、SE、CBAM、多头注意力和自适应注意力，自适应注意力取得最佳准确率（96.41%）和kappa（0.952），比无注意力提升2.18个百分点，同时参数和推理时间增幅很小（0.35%和4.2%）。

讨论部分指出，DMB-EDN的改进性能来自多域表示学习与试次条件动态融合的协同作用，但其计算开销高于轻量级EEG模型，且当前延迟不构成端到端实时BCI能力。未来需要模型压缩、硬件感知优化、跨受试者及跨域泛化研究、神经生理可解释性分析、更大规模独立多中心临床验证以及前瞻性在线闭环BCI评估。结论翻译：本文提出DMB-EDN，一种联合学习时间动态、自适应时频模式和节律特定频谱信息的动态多分支网络，并通过试次条件动态融合整合这些互补表示。DMB-EDN在BCI Competition IV 2a上取得强受试者特定性能，在High Gamma Dataset上与最强基线相当，在自采集SCI数据集上提供离线可行性的初步证据。消融研究证实了三个表示分支和动态融合的互补贡献。尽管多分支架构的计算需求仍高于轻量级模型，且报告的处理延迟不能确立端到端实时BCI能力，但未来工作将聚焦于模型压缩、硬件感知优化、泛化能力提升和临床转化验证。