基于小波的时间-频谱-注意力相关系数用于运动想象EEG分类

2024-06-13 Thu
神经病学计算机科学工程学电气工程信息科学人工智能医学基础医学生物工程医学影像生命科学
脑机接口（Brain-Computer Interface, BCI）技术近年来发展迅速，被认为是一种无需通过外周神经和肌肉，仅通过大脑直接控制外部设备的前沿技术。特别是在运动想象（Motor Imagery, MI）脑电图（Electroencephalography, EEG）应用中，BCI 技术展现了巨大的潜力。通过分析MI-EEG信号，可以帮助患有物理障碍或神经肌肉退化的病人提高生活质量。然而，由于个体之间的差异以及大脑活动的稳定性、低信噪比（Signal-to-Noise Ratio, SNR）等因素，如何从复杂的EEG信号中提取有效特征以提高MI-EEG分类系统的准确性，仍然是一个巨大的挑战。
在MI-EEG分类中，特征提取与表示是决定分类性能的关键。当前广泛使用的特征提取方法，如共空间模式（Common Spatial Pattern, CSP）、子频带共空间模式（Sub-band CSP, SBCSP）、滤波库共空间模式（Filter Bank CSP, FBCSP）等，尽管有效，但通常侧重于EEG的能量特征，无法从原始信号中提取高辨别力的特征。更为重要的是，这些方法缺乏对EEG信号在时间、频率和空间域中深层信息的考虑，从而限制了其解码性能。
为解决这些问题，本文的研究人员提出了一种基于小波变换的时间-频谱-注意力相关系数（Wavelet-based Temporal-Spectral-Attention Correlation Coefficient, WTS-CC）算法，通过同时考虑EEG信号在空间、信道、时间和频谱域中的特征及其加权，显着提高MI-EEG分类准确性。
研究方法与工作流程研究工作流程该研究主要包括以下几个模块：
1. 初始时间特征提取模块（Initial Temporal Feature Extraction, ITFE）
2. 深度EEG信道注意力模块（Deep EEG-Channel-Attention, DEC）
3. 基于小波的时间-频谱-注意力模块（Wavelet-based Temporal-Spectral-Attention, WTS）
4. 判别模块
初始时间特征提取模块（ITFE）在MI-EEG分类中，从EEG信号中提取更多的特征信息对于提高分类准确性至关重要。ITFE模块通过不同大小的卷积操作直接从原始EEG信号中提取初步特征。为了最大化特征提取性能，研究人员设计了三种不同大小（1×3、1×5、1×11）的卷积核，通过时间卷积操作提取更丰富的特征信息，使得模型能够捕捉到不同时间尺度的特征。
深度EEG信道注意力模块（DEC）虽然提取更丰富的特征有助于分类MI任务，但这些特征信息通常混合了许多无关或冗余的信息。DEC模块基于Squeeze-and-Excitation（SE）机制，自动调整每个EEG信道的重要性权重，从而使得重要信道得到增强，次要信道被抑制。通过这个过程，DEC模块能够显著提高特征提取质量，帮助增强更多辨别力特征。
基于小波的时间-频谱-注意力模块（WTS）EEG信号具有时间序列特性，其频率成分会随着时间变化。WTS模块引入了小波变换和独立样本t统计量，通过时间-频谱图之间的特征加权，捕捉更显著的辨别特征。在这个过程中，EEG信号首先通过连续小波变换（Continuous Wavelet Transform, CWT）转换为时间-频谱表示，然后通过独立样本t统计量评估不同MI任务之间特征差异的显著性。WTS模块能够有效增强不同MI任务之间显著不同的时间-频谱特征。
判别模块研究采用相关系数作为MI-EEG判别依据。通过评估测试样本与训练集中不同MI任务的平均时间-频谱特征图（TTSFMs）的相关性，判别模块能够实现高效、准确的MI任务分类。与传统的深度学习模型相比，相关系数方法更加简便且不易过拟合。
研究结果数据集描述研究采用了三个公开的BCI竞赛数据集来验证提出方法的有效性：
1. BCI Competition IV dataset 2a，包含9个受试者的EEG信号，涵盖四类MI任务（左手、右手、双脚和舌头）。
2. BCI Competition IV dataset 2b，包含9个受试者的EEG信号，涵盖两类MI任务（左手和右手）。
3. 2020 International BCI Competition dataset Track#1，包含20个受试者的EEG信号，涵盖两类MI任务（左手和右手）。
评价指标研究采用了十折交叉验证法对每个数据集进行测试，并使用分类准确率（Accuracy）、Cohen’s kappa系数（Kappa）、F1评分（F1 Score）和ROC曲线下面积（AUC）四种指标来评估方法的性能。实验结果表明，WTS-CC在三个数据集上的所有评价指标均超越了当前最先进的方法。
与现有方法的对比与其他12种最新的EEG分类方法（包括Shallow ConvNet、Deep ConvNet、CP-MixedNet、TS-SEFFNet等）相比，WTS-CC在BCI Competition IV dataset 2a数据集上取得了最高的平均分类准确率（81.45%），Kappa系数（0.752）、F1评分和AUC，显示了显著的优越性。
在BCI Competition IV dataset 2b数据集上，WTS-CC同样展示了最高的平均分类准确率，进一步证明了其在MI-EEG判别中的高效性和实用性。
此外，WTS-CC在2020 International BCI Competition dataset Track#1数据集上的平均分类准确率为83.31%，即使在极少样本学习情况下也表现出色。
组件性能评估与消融实验通过进一步研究DEC模块和WTS模块对整体系统性能的影响，研究人员发现DEC模块能够通过注意力机制有效提升分类性能，而WTS模块则通过时间-频谱特征加权显著提高了分类准确性。消融实验结果表明，缺少DEC模块会导致平均分类准确率降至55.49%，表明了模块的重要性。
结论通过本研究中提出的WTS-CC方法，研究团队在多样化的公开数据集上实现了显著的MI-EEG分类性能提升，解决了许多传统方法中存在的问题。WTS-CC在提高MI-EEG分类准确性方面具有很大潜力，因为它结合了空间、信道、时间和频谱域的特征及其加权，能够有效提取和增强辨别特征。
未来，研究团队计划改进和扩展WTS-CC模型，应用于自适应判别。此外，将传递学习（Transfer Learning）技术应用于该方法，也可能进一步提高其在真实BCI系统中的适用性和泛化能力。