基于运动想象分类提取的EEG微状态序列作为潜在脑机接口触发信号

脑电（EEG）微状态是大脑活动若干种准稳定空间分布的离散状态。微状态轨迹被高度怀疑可反映信息加工过程中的潜在神经机制，因此也被称为人类思维的“构件”。在本研究中，我们考察了EEG微状态序列是否可作为脑机接口（BCI）的潜在触发信号。为此，采用了一种由基于LSTM的自编码器和一个全连接神经网络组成的半监督深度学习模型架构，对左手和右手运动想象EEG数据进行分类，并将分类输出作为BCI触发信号。一方面，我们采用了两步法，即分别训练自编码器和分类器。另一方面，我们采用了端到端方法，通过联合重构损失和分类损失进行训练。结果表明，所提出的模型架构能够从微状态序列中提取相关特征，并将其用于被试内及跨会话分类。将迁移学习应用于会话间迁移或跨被试迁移后，分类准确率峰值约为89%。我们还研究了为达到可作为校准时间代表的较高分类准确率，需要在多大程度上应用迁移学习。结果发现，采用我们的方法时，平均约需400秒的BCI校准时间即可达到80%的分类准确率。本研究表明，探究EEG微状态轨迹可能是提取BCI触发信号的一种有前景的方法，因为它将多通道EEG记录信号的维度降低为随时间变化的有限数量脑状态。将深度学习方法，尤其是迁移学习，应用于EEG微状态轨迹，在面向真实世界应用的用户友好型、免校准BCI方面显示出良好前景。

EEG微状态是大脑活动若干种准稳定空间分布的不同模式。微状态轨迹被强烈推测为反映信息加工过程中的底层神经机制，因此也被称为人类思维的“构件”。在本研究中，我们考察了EEG微状态序列是否可作为脑机接口（BCI）的潜在触发信号。为此，采用了一种由基于LSTM的自编码器和稠密神经网络组成的半监督深度学习模型架构，对左手与右手运动想象EEG数据进行分类，并将分类输出作为BCI触发信号。一方面，采用两步式方法，即分别训练自编码器和分类器。另一方面，采用端到端方法，通过联合重构损失和分类损失进行训练。结果表明，所提出的模型架构能够从微状态序列中提取相关特征，并将其用于被试内和跨会话分类。将迁移学习应用于会话间或跨被试迁移后，分类准确率峰值约为89%。我们还研究了为达到可观分类准确率、作为校准时间代表，迁移学习需要应用到何种程度。我们发现，采用本方法时，平均约需400秒的BCI校准时间即可达到80%的分类准确率。本研究表明，研究EEG微状态轨迹可能是一种有前景的BCI触发信号提取方法，因为它将多通道记录的EEG信号的维度降低为随时间变化的有限个大脑状态。将深度学习方法，尤其是迁移学习，应用于EEG微状态轨迹，在面向真实世界应用的用户友好型、免校准BCI方面似乎具有良好前景。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.18.745436v1?rss=1

🏷️ EEG微状态 运动想象 脑机接口 深度学习 迁移学习