基于深度学习的运动想象EEG分类通过利用皮层源成像的功能连接

研究背景与动机

脑-机接口（BCI）是直接解码并输出脑活动信息的系统，无需依赖相关的神经通路和肌肉，从而实现外部设备的通信或控制。在BCI系统中，常用的信号包括脑电图（EEG）、脑磁图（MEG）和功能性磁共振成像（fMRI）。其中，EEG是最常用的信号，因为它具有非侵入性、易于实施、成本低和无伦理挑战等优点。

运动想象（Motor Imagery, MI）是BCI中的一个重要范式，在无刺激条件下，运动想象任务期间会自发地产生运动想象EEG信号（MI-EEG）。MI-EEG信号中可能嵌入了运动皮层在运动意图期间的神经活动模式表示，因此解码MI-EEG信号已成为热门研究课题，以通过BCI系统实现对外部设备的精神控制。

现有的MI-EEG分类方法涉及各种特征提取和机器学习方案。然而，这些方法在分类准确性和个体间模型适应性方面仍需改进。本文提出了一种新的源域MI-EEG分类算法，以解决这些问题。

研究来源

这篇论文题为“Deep-learning-based motor imagery EEG classification by exploiting the functional connectivity of cortical source imaging”，由Bian Doudou、Ma Yue、Huang Jiayin、Xu Dongyang、Wang Zhi、Cai Shengsheng、Wang Jiajun和Hu Nan撰写。论文于2024年2月10日在线发表在《Signal, Image and Video Processing》期刊上。研究得到了Springer-Verlag London Ltd.的独家许可，属于Springer Nature的一部分。

研究详细介绍

研究流程

本研究的工作流程包括以下几个步骤：

1. 高空间分辨率的去噪电生理源成像（ESI）：采用带有噪声自学习的Champagne算法，生成高空间分辨率的皮层源成像。
2. 功能连接度量：在运动皮层中计算虚拟相干性（ICoh），利用该指标形成MI期间运动皮层源空间的图结构。
3. 图卷积网络（GCN）：使用ICoh构建的图结构，构建GCN以提取空间特征。
4. 时间卷积网络（TCN）：使用TCN和多头注意机制提取多尺度时间特征，基于GCN的空间注意机制用于空间和时间特征的交互。
5. 特征组合与分类：将提取的所有特征组合以获得最终的分类结果。

研究对象和样本

研究使用了PhysioNet EEG Motor Movement/Imagery数据集，该数据集包含109名受试者，每名受试者执行14轮MI任务。在每轮中，受试者进行多次MI