一种基于增强协方差矩阵的新颖运动想象脑机接口分类框架：结合自注意力机制的深度黎曼几何学习

《Cognitive Neurodynamics》：A novel motor imagery brain-computer interface classification framework based on augmented covariance matrix: deep Riemannian geometry learning with self-attention mechanism

　　

摘要

运动想象脑机接口（MI-BCI）技术的快速发展引入了一种新型的人机交互模式，引起了广泛关注。然而，由于运动想象信号具有非线性和非平稳性，该通信方式面临识别准确率低下和稳定性差等挑战，严重阻碍了MI-BCI的实用化应用。黎曼几何技术凭借其非欧几何特性，在运动想象信号模式识别方面展现出良好的前景。然而，传统的黎曼几何方法仍存在局限性，例如需要手动特征提取且分类性能欠佳。本文提出了一种名为Aug-SPD-AttentionNet的深度黎曼几何学习框架，用于MI-BCI分类，该框架结合了滞后增强协方差表示、可学习的高维嵌入层以及在SPD流形上定义的自注意力操作。该框架采用多个深度黎曼学习模块来提取流形感知特征，并利用黎曼自注意力机制捕获不同SPD表示之间的长程依赖关系。在BCI竞赛III数据集IVa、BCI竞赛IV数据集I和BCI竞赛IV数据集2a上对Aug-SPD-AttentionNet进行了评估，分别取得了\(\:86.21{\%}\pm\:9.59{\%}\)、\(\:74.64{\%}\pm\:11.08{\%}\)和\(\:63.98{\%}\pm\:13.92{\%}\)的平均分类准确率。消融实验进一步表明，所提出的各组件共同提升了分类性能，将三组受试者的平均准确率从70.60提升至82.62%，相比基线模型SPDNet提升了12.03个百分点。