《Journal of Neuroscience Methods》：Optimized efficient channel attention-based ShuffleNet framework for EEG graph-based brain topology modeling in motor imagery tasks
编辑推荐：
•混合节点中心性方法从EEG图中提取均衡特征•基于注意力的ShuffleNet以低计算量提升特征选择•优化算法加速超参数调优收敛引言脑机接口（BCI）通过检测脑信号并将其转换为计算机可解释的指令来工作，通常使用非侵入式脑电图（EEG）技术（Wang等人, 2025a）。EEG
- •
混合节点中心性方法从EEG图中提取均衡特征
- •
基于注意力的ShuffleNet以低计算量提升特征选择
- •
优化算法加速超参数调优收敛
引言
脑机接口（BCI）通过检测脑信号并将其转换为计算机可解释的指令来工作，通常使用非侵入式脑电图（EEG）技术（Wang等人, 2025a）。EEG技术通过头皮电极捕捉微弱的脑活动电信号，提供精细的时间分辨率，支持实时观察神经活动。其低成本和易用性使EEG成为认知心理学研究、神经科学研究和神经系统疾病诊断的关键工具（Velasco等人, 2023）。运动想象（MI）分类是基于EEG的BCI中的重要应用。在MI任务中，参与者在不涉及肌肉活动的情况下心理排练动作，这会触发皮层感觉运动区域的活动，可被EEG设备记录（Ju和Guan, 2023, Zhao等人, 2023）。
传统的EEG信号分类技术通常依赖于从时间域或频率域提取特征。然而，这些方法可能无法有效反映MI任务中不同脑区之间的复杂协调（Sun等人, 2022）。EEG信号分类还面临跨试验显著变异、低信噪比和固有的非平稳性等挑战（Zhi等人, 2023）。此外，传统的机器学习技术，如公共空间模式（CSP）及其变体，需要精确的参数调整，并且对电极位置和信号频段的选择高度敏感（Liu等人, 2023）。这些挑战促使开发了更自动化、可靠且易于解释的方法。
近期研究提出了将特征提取和分类结合在单一端到端框架中的深度学习（DL）方法（Liang等人, 2023a, Liang等人, 2023b, Dairi等人, 2022）。深度学习方法在处理原始EEG信号方面表现出卓越的能力，无需手动设计特征，非常适合多类MI分类（Zhang等人, 2023）。然而，脑活动本质上是空间性的，捕捉不同区域之间的连接性至关重要。这激发了对基于图的方法，特别是图卷积网络（GCN）的日益增长的兴趣，这些方法将EEG信号建模为反映脑拓扑结构的图（Chen等人, 2025）。
已开发了多种深度学习方法用于基于EEG的运动想象分类。EEGNet是一种轻量级CNN模型，以较少的参数高效提取EEG的空间和时间特征，而DeepConvNet使用多个卷积层学习分层EEG表示。NexusNet和AGTCNet等基于图的模型被引入以捕捉EEG通道之间的关系，通过学习空间和时间脑连接模式来改善运动想象分类。
使用图论构建的脑功能连接网络由节点（代表电极或脑区）和边（表示功能或统计连接）组成。这些网络为局部和全局脑活动提供了见解，为分析MI任务期间的动态脑状态提供了有价值的框架（Fan等人, 2025, Mwata-Velu等人, 2022）。某些方法将EEG信号转换为保留拓扑信息的多光谱表示并输入深度神经网络，但由于网络有限的局部感受野，它们往往无法捕捉长程光谱依赖关系（Wang等人, 2023）。为了克服这些挑战，开发了结合空间拓扑建模和时间注意力机制的混合方法。由于脑激活模式在相同MI任务的个体间可能存在差异，因此个性化的EEG通道选择至关重要（Liang等人, 2023a, Liang等人, 2023b）。个性化MI-BCI系统以提高其性能，同时也改善了用户舒适度和功能可用性（Collazos-Huertas等人, 2023, Tobón-Henao等人, 2023）。因此，本研究提出了ODL-BTMIT，利用脑拓扑信息来提高运动想象（MI）分类的准确性。本研究的主要贡献如下：
- •
引入混合加权节点中心性（HW-NC）从构建的EEG图中提取特征，结合多种中心性的优势，并提供复杂网络中节点重要性的均衡视图。
- •
提出高效通道注意力ShuffleNet（ECA-ShN）用于分类，以最小的计算量提升特征选择并保持准确性。
- •
提出自我改进的小熊猫优化（SI-RPO）算法，对ECA-ShN的超参数进行微调，通过同时评估候选解及其对立解来提高收敛速度。
本文其余部分组织如下：第2节回顾了基于EEG的脑连接和运动想象任务的图建模技术的先前工作。第3节描述了所提出的方法ODL-BTMIT。第4节通过现有运动想象分类方法的比较评估了所提出方法的性能。第5节总结了全文。
章节摘要
文献综述
本综述研究了基于EEG图的脑拓扑建模在运动想象任务中的应用，旨在提高脑机接口系统的准确性和有效性，以实现改进的信号解释和实时应用。它分为两种不同的方法：图理论模型将物理脑数据映射为数学网络，分类模型解释该网络以执行指令。
所提出的方法
运动想象任务中的脑拓扑建模涉及在个人想象动作时对脑结构和连接的表示。在这里，EEG通道被视为图中的节点，它们之间的连接表示脑区之间的相互作用。这种方法有助于捕捉重要的脑活动模式并改善运动想象分类。但现有系统通常难以捕捉复杂的通道间关系和跨...
仿真过程
所提出的优化ECA-ShN框架用于运动想象任务中基于EEG图的脑拓扑建模是使用PYTHON模拟的。使用的处理器是"AMD Ryzen 5 3450 U with Radeon Vega Mobile Gfx 2.10 GHz"，安装的RAM大小为16.0 GB（13.9 GB可用），系统类型为64位操作系统，x64处理器。此外，运动想象任务的分析使用了EEG运动运动/想象数据集（Mota等人 2021）和BCICIV 2a运动想象...
结论
本文提出了ODL-BTMIT以高效建模脑连接并提高运动想象分类的准确性。ODL-BTMIT从获取EEG信号开始，这些信号用于构建捕捉脑区之间复杂相互作用的图。从该图中提取了如节点度和HW-NC等拓扑特征，以量化每个区域的连接性和相对重要性。这些特征然后输入ECA-ShN，一个轻量级的...
CRediT作者贡献声明
Ram K. Shivany：撰写 – 初稿。U. Barakkath Nisha：监督。R. Yasir Abdullah：监督。
利益冲突声明
作者声明，他们没有已知的竞争经济利益或个人关系，这些利益或关系可能会影响本文报告的工作。
Ram K. Shivany|U. Barakkath Nisha|R. Yasir Abdullah
