多特征注意力卷积神经网络用于运动想象解码
脑机接口（Brain-Computer Interface, BCI）是将神经系统与外部环境连接的一种通讯手段。运动想象（Motor Imagery, MI）是BCI研究的基石，它指在运动执行前的内在演练（Internal Rehearsal）。非侵入性技术如脑电图（Electroencephalography, EEG）因其成本效益高与便利性，可以高时间分辨率记录神经活动。当受试者想象移动身体特定部位时，大脑特定区域会发生能量变化（ERD/ERS），这些变化可以通过EEG记录并用于辨别运动意图。MI基础的BCI系统已经取得显著进展，能够控制外骨骼和光标，特别是与虚拟现实技术结合，用于中风康复的潜力更为显著。
目前，MI解码方法的高性能是这种系统成功的关键。然而，相比于依赖外部刺激的其它BCI范式，如事件相关电位（Event-Related Potential, ERP）和稳态视觉诱发电位（Steady-State Visual Evoked Potential, SSVEP），提高自发MI的分类性能面临巨大的挑战，原因在于信噪比较低和跨个体差异性。
本文由Yiyang Qin、Banghua Yang、Sixiong Ke、Peng Liu、Fenqi Rong和Xinxing Xia等人撰写，来自上海大学机械与电气工程与自动化学院及其他研究机构，并发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》2024年第32卷。
研究流程
1. 数据集与预处理
研究使用了两个数据集：2008年BCI竞赛IV-2a数据集和2019年世界机器人大会竞赛-BCI机器人竞赛MI数据集。全集预处理通过MNE库进行，包括0.5-40Hz的带通滤波，以去除诸如眼电和肌电干扰。
2. M-FANet架构设计
本文提出了一个轻量级的多特征注意卷积神经网络（Multi-Feature Attention Neural Network, M-FANet）。该模型包括多个卷积层用于特征提取，并设计了三个不同的注意模块用于频域局部空间和特征图的校准： - 频带注意模块：利用Chebyshev Type II滤波器提取多频带EEG数据，通过点卷积融合多频带信息。 - 局部空间注意模块：通过小卷积核提取EEG数据的局部空间特征，聚焦于与MI相关的大脑区域。 - 特征图注意模块：通过全局平均池化层和全连接层来计算特征图，并利用Squeeze-and-Excitation Block（SEBlock）自动校准特征图，进行优先处理。
3. R-Drop训练方法
引入了一种名为正则化Dropout（Regularized Dropout, R-Drop）的训练方法，通过增加一个正则化项来减少子模型间的输出差异，增强模型的泛化能力。
研究结果
1. 性能评估
在BCI竞赛IV-2a数据集上，M-FANet达到了79.28%的四分类准确率，Kappa：0.7259；在WBCIC-MI数据集上，达到77.86%的三分类准确率，Kappa：0.6650。实验表明，M-FANet的性能优于最新的MI解码方法。
2. 消融实验
进行了一系列消融实验，验证M-FANet的多特征注意模块在频带注意、局部空间注意和特征图注意方面的贡献，每个模块的移除都导致了性能的下降，表明这些模块在模型中的重要性。
结论与意义
本文提出的轻量级多特征注意卷积神经网络M-FANet通过频带特征、局部空间特征和注意机制的有效选择，显著提升了MI任务的分类性能。R-Drop训练方法通过约束子模型间的输出差异，减少了模型的过拟合。M-FANet在性能和内存要求之间取得了平衡，展示了它在MI基础的BCI研究和应用中的潜力。
亮点与价值
- 创新设计：利用多特征注意模块进行数据的高效处理和特征提取。
- 出色性能：通过大量实验验证，M-FANet的分类性能优于现有的顶尖MI解码方法。
- 轻量级架构：在保证高精度的同时，对资源的消耗较低。
- 广泛应用前景：特别适用于资源有限的便携和嵌入式设备中，具有很大的应用潜力。
下一步工作
未来工作将包括将M-FANet应用于其他BCI范式，如ERP，并探索非固定带宽分割方法，以分辨有价值的信息。此外，计划探讨转移学习的应用，进一步提升模型在不同数据集上的表现。