《Sensors》：Design and Decoding of a Novel Steering Motor Imagery Paradigm for Driving Brain–Computer Interfaces
编辑推荐：
本研究提出了一种针对驾驶场景中右手转向运动的运动想象脑机接口（motor imagery brain-computer interface，MI-BCI）实验范式。该提出的范式在动作层面上更贴近实际的转向行为，旨在解决传统运动想象与实际驾驶任务不匹配的问题。为
本研究提出了一种针对驾驶场景中右手转向运动的运动想象脑机接口（motor imagery brain-computer interface，MI-BCI）实验范式。该提出的范式在动作层面上更贴近实际的转向行为，旨在解决传统运动想象与实际驾驶任务不匹配的问题。为验证该范式的可行性，研究人员使用八电极低成本OpenBCI设备收集了12名参与者的运动想象脑电图（electroencephalography，EEG）数据，并进行了系统分析。时频分析显示，在右手转向想象过程中，C3电极在mu节律和beta节律均表现出事件相关去同步化（event-related desynchronization，ERD），而C4电极在beta节律也显示出ERD，但在mu节律主要表现为事件相关同步化（event-related synchronization，ERS）。空间模式分析进一步表明，共空间模式（common spatial pattern，CSP）在与转向方向相关的中央区域产生了具有判别性的权重分布，这表明该范式能够引发与转向方向相对应的神经模式差异。在此基础上，研究人员采用基线方法，包括CSP、FBCSP、EEGNet、EEG-TCNet和ATCNet，评估了在该范式下右手执行的左转和右转任务的可分性。为提高解码性能，研究人员开发了SMB-TCSAN模型，该模型集成了Sinc卷积、多分支时间卷积和多头自注意力机制，在转向方向数据集上实现了66.80%的平均分类准确率。本研究初步验证了低成本、少通道EEG设备在转向运动想象解码中的可行性，为未来驾驶辅助脑机接口系统的研究提供了概念设计参考。
论文解读文章
1. 研究背景、现存问题与研究意义
在脑机接口（brain-computer interface，BCI）领域，基于脑电图（electroencephalography，EEG）信号解码驾驶意图是一个重要的研究方向。转向作为控制车辆横向运动的主要方式，受到了广泛关注。尽管已有多种BCI范式（如P300、稳态视觉诱发电位（steady-state visual evoked potentials，SSVEP）和运动想象（motor imagery，MI））被用于识别转向意图，但这些范式普遍存在两个核心问题：其一，其交互机制与驾驶员实际转动方向盘的习惯性驾驶行为不一致；其二，对潜在神经机制的理解有限。此外，医用级传感器的高昂成本也阻碍了MI-BCI系统的广泛应用。因此，亟需一种更符合自然驾驶习惯、成本更低且能有效解码转向意图的新范式。
2. 研究方法概述
为验证所提范式的有效性，研究人员招募了12名健康右利手参与者，在实验室环境中进行了一项包含左转和右转两种条件的右手转向运动想象任务。数据采集使用了低成本、八通道的OpenBCI Cyton放大器板。预处理流程包括：重参考、带通滤波（1-40Hz）、epoch提取与基线校正、自动伪迹剔除以及独立成分分析（independent component analysis，ICA）。为评估解码性能，研究人员采用了共空间模式（common spatial pattern，CSP）、滤波器组共空间模式（filter bank common spatial pattern，FBCSP）等传统方法，以及EEGNet、EEG-TCNet和ATCNet等深度学习模型作为基线，并与提出的Sinc多分支时间卷积自注意力网络（Sinc Multi-Branch Temporal Convolutional Self-Attention Network，SMB-TCSAN）进行比较。
3. 研究结果
- •
时频分析结果：群体平均的事件相关谱扰动（event-related spectral perturbation，ERSP）时频图显示，在提示开始后约500ms，C3和C4电极在beta节律均出现明显的ERD。值得注意的是，在C4电极处，右转条件在20-30Hz范围内的ERSP值比左转条件更负，表明右转想象引发了更强的感觉运动去同步化。聚类置换检验进一步证实，在C4电极的约1000-1500ms和8-35Hz范围内，左右转条件之间存在显著的ERSP差异。
- •
空间滤波分析结果：共空间模式（CSP）地形图分析表明，最具判别性的空间模式（CSP1）在左侧中央区（C3附近）具有较高的权重，这与右手转向运动想象的预期对侧感觉运动皮层激活一致。而另一个模式（CSP4）则显示出更广泛的判别信息分布，涉及左侧中央区和额叶区域，暗示右转想象可能需要更多的认知资源参与。Wilcoxon符号秩检验结果显示，CSP模式1、3和4在左右转任务间存在显著差异。
- •
转向意图解码性能：在所有算法中，研究人员提出的SMB-TCSAN模型取得了最高的平均分类准确率，达到66.80%，显著优于所有基线方法（如EEGNet的61.08%）。统计分析（经Benjamini-Hochberg错误发现率（false discovery rate，FDR）校正后的Wilcoxon符号秩检验）表明，SMB-TCSAN与所有五种基线算法相比均有统计学显著性差异，且效应量较大（r > 0.5）。其中，表现最佳的个体（参与者2）达到了87.50%的准确率。
- •
消融实验结果：通过前向累加和留一法两种互补策略进行的消融研究表明，SMB-TCSAN模型的三个核心模块——Sinc卷积块、多分支时间卷积块（TCN）和多头自注意力块（MSA）——均对最终性能有正向贡献。其中，移除多头自注意力块（MSA）导致性能下降最大（4.69%），凸显其在捕捉长程依赖关系中的关键作用。这些模块协同工作，非冗余地从不同方面处理EEG变异性。
4. 讨论与结论总结
讨论部分：本研究设计的右手转向运动想象（MI）范式更贴近驾驶员的实际操作习惯，为解决传统多肢体范式与驾驶任务不匹配的问题提供了新思路。虽然从单侧肢体EEG信号中区分多个任务仍具挑战性，但本研究初步验证了其可行性。在解码架构方面，EEGNet因其轻量级结构在小样本数据上表现出色，而FBCSP则展现了良好的跨被试平衡性。研究人员提出的SMB-TCSAN模型通过自适应学习频率滤波器、多尺度时间特征捕捉和全局依赖关系建模，显著提升了解码性能。时频和空间分析共同揭示了左右转向任务可区分的神经激活模式，这为所提范式提供了神经生理学依据。研究也指出了局限性，包括样本量较小、实验环境与真实驾驶环境的差异、视觉提示可能带来的复合任务状态影响，以及低密度电极配置对空间分辨率的限制。
研究结论翻译：本研究设计了一个针对驾驶场景的运动想象脑机接口（MI-BCI）实验范式，将左转和右转想象动作映射到相应的转向意图，从而为探索更接近真实驾驶意图的运动想象（MI）研究提供了实验基础。通过12名参与者的数据采集和分析，验证了该范式在引发转向方向相关脑电图（EEG）特征方面的可行性。在此基础上，本研究从时频和空间角度系统地分析了该范式引发的EEG特征。在解码性能方面，研究人员采用了包括CSP、FBCSP、EEGNet、EEG-TCNet和ATCNet在内的基线方法对该范式下的EEG数据进行分类，初步验证了左右转任务的可分离性。在此基础上，本研究进一步提出了SMB-TCSAN网络模型，该模型在转向方向数据集上达到了66.80%的平均分类准确率，优于所有基线方法，最高个体准确率达到87.5%。这些结果表明，所提出的转向运动想象范式能够引发方向可辨别的EEG特征，并且SMB-TCSAN模型在解码此类特征方面展现出良好潜力。本研究为基于EEG的转向意图解码提供了初步的实验证据，并为未来驾驶场景下运动想象脑机接口的研究提供了参考基准。
