扰动感知微分黎曼注意力机制用于鲁棒运动想象解码

《Frontiers in Neuroscience》：PADA: perturbation-aware differential Riemannian attention for robust motor imagery decoding

　　

摘要 引言：黎曼几何模型显著提升了基于脑电的运动想象解码的鲁棒性和性能，并且更适应小样本场景；然而，其在提取非线性与时-空变异性特征方面的能力往往不及基于欧几里得空间的深度学习方法。为克服上述局限，研究人员引入了一种扰动感知微分黎曼注意力机制（perturbation-aware differential Riemannian attention，PADA）。 方法：PADA开发了一种基于窗口的可学习黎曼模块，将信息片段映射到流形上以表征非线性特征并保留局部结构，同时结合了一种双流微分流形注意力机制。切空间扰动被用作特征不稳定性的探针，对噪声高度敏感的注意力权重被差异化抑制，从而提炼出鲁棒的几何依赖关系。 结果：在BCI Competition IV-2a和Zhou2016数据集上，PADA在干净条件下分别取得了具有竞争力的81.44%和92.79%的准确率。在50%噪声条件下，其准确率仅下降12%，在所对比模型中取得了最佳分类性能。在一个包含227名受试者的自建数据集上，PADA在经典手部运动想象任务中仅使用12个训练样本即达到了高达70.46%的二分类准确率。 讨论：上述结果表明，PADA为噪声环境及数据受限的脑机接口应用提供了鲁棒且有效的特征学习能力。

论文解读：扰动感知微分黎曼注意力机制（PADA）用于鲁棒运动想象解码

1. 研究背景与问题

基于非侵入式脑电（Electroencephalography，EEG）的运动想象（Motor Imagery，MI）因其低成本、高时间分辨率和便携性，在运动功能康复与智能人机交互领域展现出广阔的应用前景。运动想象是指在不进行实际肢体运动的情况下对动作进行心理模拟，这一内隐认知过程激活的神经网络与实际运动执行时相似。然而，EEG信号固有的低信噪比、非平稳性以及个体差异性，给运动想象分类任务带来了巨大挑战。

为缓解上述问题，DeepConvNet和EEGNet等深度学习方法通过自动学习时空特征提升了分类性能。然而，EEG信号本质上具有非欧几里得几何特性，其空间协方差矩阵构成对称正定（Symmetric Positive Definite，SPD）黎曼流形上的点，信号局部统计量在电极空间分布上表现出复杂的非线性依赖关系。现有深度学习方法基本局限于欧几里得空间，难以有效建模EEG信号的流形结构，这一结构性矛盾已成为限制当前深度学习模型鲁棒性的关键瓶颈，使其在跨受试者变异性面前表现不佳。

作为有力的替代方案，黎曼几何方法通过在SPD流形上直接进行特征表示与分类，利用黎曼距离与均值的固有鲁棒性，实现了更稳定的脑机接口（Brain-Computer Interface，BCI）解码。然而，传统黎曼方法存在迭代计算复杂、在跨受试者或跨会话等高度变异性场景下性能显著下降的问题。近年来，将黎曼几何与深度学习相融合的研究日益增多，如STaRNet、DFBRTS、EEG-SPDNet等方法，在多个基准数据集上取得了良好效果，证实了流形建模能够准确刻画EEG信号中电极间的非线性关系，并有效抑制非平稳性与受试者间变异性。

尽管如此，现有黎曼方法仍存在两个关键局限：其一，黎曼均值计算与切空间投影等核心操作缺乏主动建模噪声的能力，EEG信号均值向量对噪声试次的偏置会恶化流形空间中的协方差矩阵并污染特征表示；其二，这些方法常忽视数据分布的变化，在跨受试者或小样本场景下性能显著退化，有限数据难以支持黎曼几何结构的稳定学习。

2. 研究内容与结论

为克服上述瓶颈，研究人员提出了一种基于黎曼几何的新型深度学习框架，命名为扰动感知微分黎曼注意力机制（Perturbation-aware Differential Riemannian Attention，PADA）。不同于现有方法普遍采用的静态协方差描述子，PADA通过四个协同组件构建动态学习过程，主动增强特征鲁棒性与几何稳定性。该框架的核心创新在于双流微分注意力机制与切空间动态扰动机制的结合，而可学习协方差映射、BiMap、ReEig及流形投影则作为支撑性几何组件。研究人员将SPD矩阵投影到对数欧几里得均值处的切空间，在此向量化空间内施加受控扰动（包括缩放与加性噪声）以探测特征不稳定性并提升鲁棒性。双流微分流形注意力（Two-stream Differential Manifold Attention，TSDA-Attn）模块融合原始增强流形特征与扰动特征，使在切空间噪声下波动较大的相关性获得较低注意力权重。该设计以扰动流作为敏感性指示器，直接流保留内在流形结构，最终表示被映射回欧几里得空间进行分类。

研究在BCI Competition IV-2a和Zhou2016两个公开基准数据集以及一个包含227名受试者的自建数据集上评估了PADA。结果表明，PADA在干净条件下取得了具有竞争力的解码性能，同时在噪声与有限样本等挑战性场景下保持稳定行为，展现出作为实际BCI应用中鲁棒MI-EEG解码框架的潜力。

3. 关键技术与方法

研究人员构建了混合欧几里得-黎曼架构。首先利用两层卷积网络（1×22空间卷积与1×12时间卷积）提取原始EEG信号的时空特征。随后通过E2R模块将特征表示转换为SPD矩阵，该模块将时间维度划分为三个重叠窗口，每个窗口映射为20×20的黎曼表示。SPD特征经黎曼批归一化与对齐后，由DiffAttentionManifold块在流形上执行微分注意力操作。经过SPD修正与流形dropout后，特征被投影至切空间，展平后输入线性分类器输出四类运动想象结果。切空间动态扰动模块在对数欧几里得均值处将SPD矩阵映射至切空间，施加缩放与加性噪声混合扰动策略，并通过课程式退火策略在训练过程中衰减噪声参数。TSDA-Attn机制包含可学习放大器、直接流形注意力流与扰动切空间注意力流，通过可学习微分加权方案融合两个注意力图，最终采用对数欧几里得均值进行加权聚合。分类阶段采用选择性欧几里得空间映射（Selective Euclidean Space Mapping，SEPM），在切空间施加随机掩码后直接作为欧几里得特征输入线性分类器。

4. 研究结果

4.1 数据集描述与预处理

研究使用三个数据集：BCI Competition IV-2a包含9名受试者、22通道、四类运动想象任务；Zhou2016包含4名受试者、3通道、三类任务；自建CEP-MI数据集包含227名健康受试者、60通道、四类任务，采用经典箭头范式和提示-执行双阶段运动想象范式。数据经过0.5-45Hz带通滤波、独立成分分析去除眼动伪迹、Z-score标准化等预处理。

4.2 干净条件下的分类性能

在BCI Competition IV-2a数据集上，PADA取得81.44%的平均分类准确率；在Zhou2016数据集上取得92.79%的准确率，均达到具有竞争力的水平，表明PADA在无噪声条件下能够有效提取判别性特征。

4.3 噪声条件下的鲁棒性

在50%噪声条件下，PADA的准确率仅下降12%，在所对比模型中取得最佳分类性能。这一结果验证了切空间动态扰动机制与双流微分注意力机制能够有效抑制噪声敏感相关性，提升模型在噪声环境下的鲁棒性。

4.4 小样本条件下的性能

在自建CEP-MI数据集上，PADA在经典手部运动想象二分类任务中仅使用12个训练样本即达到70.46%的分类准确率，表明该框架在数据受限条件下仍能有效学习黎曼几何结构，具有较强的少样本学习能力。

5. 讨论与结论

理论分析表明，PADA的所有流形操作均基于严格的黎曼几何理论：切空间动态扰动模块在对数欧几里得切空间操作，通过指数映射保证输出矩阵保持SPD流形结构；ReEig正则化通过特征值阈值化进一步确保正定性。双流微分注意力的核心洞察在于：若某特征连接对切空间小扰动高度敏感，则其在真实数据分布变化下也往往脆弱不可靠，通过可学习微分融合迫使模型关注扰动下保持稳定的连接，这些连接对应EEG信号中真正具有判别性的神经活动模式，而非噪声导致的虚假相关性，本质上构成一种无需外部噪声标签的自监督鲁棒特征选择机制。课程式退火策略在训练早期施加较大扰动以迫使模型学习宽泛不变表示，后期减小扰动以微调真实数据分布的局部结构。

研究结论表明，PADA通过结合切空间动态扰动与双流微分注意力机制，有效解决了现有黎曼方法缺乏主动噪声建模能力的问题，在噪声环境与数据受限场景下均展现出稳健的解码性能，为实际脑机接口应用中的鲁棒运动想象解码提供了有前景的框架。