近日，山東大學集成電路學院的周衛東教授團隊提出了一種新型的細粒度多尺度時頻空運動想象腦機接口框架，有效提升了運動想象腦機接口（MI-BCI）的分類性能及模型解釋性。相關研究成果以“Fine-Grained Spatial-Frequency-Time Framework for Motor Imagery Brain-Computer Interface”為題，發表于生物醫學工程領域重要期刊《IEEE Journal of Biomedical and Health Informatics》。山東大學集成電路學院為論文署名單位，劉國洋助理研究員為論文第一作者，田嵐教授和周衛東教授為通訊作者。

運動想象腦機接口通過實時解碼人類運動想象任務中的腦電（EEG）信號，旨在實現基于“意念”的人機交互，被廣泛應用于神經康復和輔助診療。然而，以往的MI-BCI算法通常在時域和頻域進行粗粒度分割以提取腦電特征，而且空域特征往往依靠共空間模式濾波器進行提取。這使得MI-BCI難以充分挖掘腦電信號的細粒度時頻空域的神經振蕩模式，制約了MI-BCI系統的性能和可解釋性。

為突破這些瓶頸，該團隊提出了一種如圖1所示的細粒度多尺度時頻空MI-BCI框架（FGSFT），實現了EEG空域、頻域和時域的多尺度精細化聯合分割。如圖2所示，團隊提出了結合手工設計和自動選擇的多種電極組空間分割策略來獲取腦電特征的多尺度空間信息。同時，通過細粒度多尺度時間窗口（最短200ms）和頻帶分割（最窄頻帶4Hz）策略，精確地捕捉腦電信號的細粒度時頻域動態變化。為減少模型復雜度同時增強模型的可解釋性，設計了基于wrapper算法的時頻空特征選擇策略，自動篩選出空域、頻域、時域中的關鍵時頻空特征片段（SFTSs），結合帶類內正則化的散度公共空間模式（divCSP）算法提取穩定的運動想象腦電多尺度細粒度時頻空特征，最后采用高效的線性支持向量機分類器進行分類。

圖1 細粒度多尺度時頻空運動想象腦機接口框架

圖2 運動想象腦電的時-頻-空域分割策略。（a）時域分割策略；（b）頻域分割策略；（c）空域分割策略。

研究團隊采用BCI國際標準公開數據集（BCI Competition IV-IIa）和自主構建的SDU-MI數據集上開展了深入的實驗驗證。在BCI IV IIa數據集中，所提方法取得了88.48%的二類平均分類準確率，當使用0-1.5秒的腦電數據片段時，信息傳輸率（ITR）可達15.64比特/分鐘。團隊還采集了一個包括手部和肘部運動想象范式的SDU-MI腦電數據庫，在該數據庫中所提出的方法在不同的運動想象任務（左手對右手、左肘對右肘、手肘聯合動作對比）中分別達到了80.80%、76.95%和78.25%的分類準確率，體現出優異的泛化能力和穩健性。如表1所示，團隊測試了不同時頻空分割策略下、不同運動想象范式下所提出的MI-BCI框架在SDU-MI數據庫上的性能。結果顯示時頻空域分割策略下能達到最高的綜合準確率，而且空域分割策略能顯著提升MI-BCI的性能。

表1不同時頻空分割策略、不同運動想象范式下所提出框架在SDU-MI數據庫上的平均準確率。其中S,F,T分別代表使用空域、頻域、時域分割；H,E,HE分別代表想象手部、肘部、手肘部同時運動的運動想象范式。

此外，研究團隊基于所提出的MI-BCI框架可繪制出高分辨率的細粒度運動想象EEG時頻響應圖（如圖3所示）、時頻腦電地形圖和通道組顯著性圖（如圖4所示）。這些可視化圖形不僅展現了不同受試者在運動想象任務中的個體化差異，還清晰揭示了腦電信號的時域、頻域、空域的多維動態變化過程，有效提升了所設計的腦機接口模型的電生理可解釋性，為深入理解運動想象的神經機制及發展精準的個性化腦機接口系統提供了有效工具和新的視角。

圖3 在BCI Competition IV-IIa數據庫（A-1至A-9）以及SDU-MI數據庫（B-1至B-10）上的細粒度運動想象時頻反應圖。

圖4 細粒度時頻腦電地形圖和通道組顯著圖。(a) BCI Competition IV IIa 數據集中第 8 名受試者的細粒度時頻腦電地形圖（左）及通道組顯著圖（右）。(b) SDU-MI 數據集中第 1 名受試者的細粒度時頻腦電地形圖（左）及通道組顯著圖（右）。

僅用于學術分享，若侵權請留言，即時刪侵！

歡迎加入腦機接口社區交流群，

探討腦機接口領域話題，實時跟蹤腦機接口前沿。

加微信群：

添加微信:RoseBCI【備注：姓名+行業/專業】。

歡迎來稿

1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI

點擊投稿：

2.加入社區成為兼職創作者，請聯系微信：RoseBCI

一鍵三連「分享」、「點贊」和「在看」

不錯過每一條腦機前沿進展