《Frontiers in Neurorobotics》：AMANet: a data-augmented multi-scale temporal attention convolutional network for motor imagery classification
编辑推荐：
本文提出了一种数据增强多尺度时序注意力卷积网络（AMANet），通过滑动窗口分割、共空间模式（CSP）特征提取和多尺度时序卷积动态捕捉脑电（EEG）信号特征，结合高效通道注意力（ECA）机制自适应加权关键通道，显著提升了小样本条件下运动想象脑机接口（MI-BCI）的解码性能。在BCI Competition IV数据集2a和2b上分别达到84.06%和85.09%的分类准确率，验证了模型在医疗康复与人机交互等领域的应用潜力。
引言
运动想象脑机接口（Motor Imagery BCI, MI-BCI）因其非侵入性和高时间分辨率的特点，在神经信号解码领域受到广泛关注。然而，脑电（EEG）信号具有样本量有限、噪声干扰强和非平稳性等挑战，制约了解码精度的提升。近年来，基于卷积神经网络（CNN）的模型虽在特征提取方面取得进展，但多数方法依赖固定尺度的卷积核，难以全面捕捉多尺度时序特征。为此，本研究提出AMANet网络，融合数据增强、多尺度卷积和注意力机制，以提升小样本EEG解码的鲁棒性与分类性能。
方法
AMANet包含五大模块：数据增强模块（DG-Block）通过滑动窗口（长度500，步长75）分割原始EEG信号，并利用共空间模式（CSP）提取12对（2a数据集）或2对（2b数据集）空间滤波器，再通过线性缩放（缩放因子β服从正态分布）增强数据多样性；多尺度时序模块（MST-Block）采用并行卷积核（尺寸为1×8、1×16、1×24）提取多尺度时序特征，并通过空间卷积（核尺寸C1×1）细化空间信息；高效通道注意力模块（ECA）通过一维卷积（核大小k=3）自适应加权特征通道，强化判别性特征；深度可分离融合模块（DSF-Block）通过深度卷积与点卷积整合时空特征；分类模块通过全连接层输出类别概率。所有卷积层均采用ELU激活函数与批归一化（BN）以提升训练稳定性。
实验结果
在BCI Competition IV-2a数据集上，AMANet的平均分类准确率达到84.06%，Kappa系数为0.78，显著优于EEGNet、Incep-EEGNet等基线模型。其中，被试S8的准确率最高（93.40%），而S5和S6较低（74.65%、76.39%），反映个体差异对模型性能的影响。在IV-2b数据集上，模型平均准确率为85.09%，且在高伽马数据集（High-Gamma）上达到95.48%。混淆矩阵与t-SNE可视化表明，模型对四分类任务（左/右手、脚、舌）具有清晰的特征分离能力，但二分类任务中部分类别存在重叠。
消融实验与参数优化
消融研究显示，移除多尺度模块或注意力机制分别导致准确率下降至81.13%和75.67%，而禁用数据增强则使性能降至75.85%，验证了各模块的协同作用。卷积核尺寸实验表明，{8,16,24}为最优组合，过大核（如{16,32,48}）会因参数增加导致过拟合。注意力机制对比中，ECA以84.06%的准确率优于CBAM和SE模块，因其轻量化结构更适合小样本场景。滑动窗口参数优化确定窗口长度500、步长75为最佳配置。
结论
AMANet通过多模块协同有效解决了小样本EEG解码中的过拟合与特征提取难题，在多数据集上展现了优越的分类性能。未来工作将聚焦于跨被试泛化能力提升及模型轻量化部署，以推动其在临床康复与边缘计算中的应用。
