TPCNet：一种用于中风患者运动想象脑电图（EEG）解码的时序周期性卷积网络

《Journal of Neuroscience Methods》：TPCNet: A Temporal Periodicity Convolutional Network for motor imagery EEG decoding in stroke patients

本研究针对脑卒中患者运动想象（MI）EEG信号解码难题，提出时空卷积网络TPCNet模型。通过设计卷积块提取浅层时空特征、滑动窗口结构保证任务一致性、周期性模块捕捉EEG信号周期性模式，在自建24例患者数据集和BCI竞赛2a数据集上均取得超过82%的分类准确率。Grad-CAM分析显示患者MI任务呈现更长的周期性特征。

　　

王俊辉|李明盖

北京工业大学信息科学与技术学院，中国北京100124

摘要

背景：

由血管破裂或阻塞引起的中风发病率很高，并导致严重的残疾。运动想象（MI）脑电图（EEG）是一种有前景的方法，用于理解和解决与中风相关的运动障碍。然而，基于EEG的康复技术的实际应用受到对中风患者EEG信号中特定任务特征和复杂时间模式理解不足的阻碍。

新方法：

在这项研究中，我们收集了24名中风患者在执行四种单侧上肢MI任务时的EEG信号。其中，12名受试者执行前臂抬升和下降动作，其余12名执行侧臂抬升和下降动作。此外，我们提出了一种基于时间周期性的卷积网络（TPCNet）用于EEG-based MI分类。TPCNet包括一个卷积块，用于提取浅层时空特征；一个滑动窗口结构，确保样本间动作启动的一致性；以及一个时间周期性块，用于捕捉与MI任务相关的周期性模式的变化。

结果：

TPCNet在中风患者MI数据集上的分类准确率为86.53%，在BCI Competition IV 2a数据集（左手、右手、脚和舌头）上的分类准确率为82.21%。梯度加权类激活映射（Grad-CAM）分析表明，中风患者可能表现出比健康受试者更长的任务特定MI周期性。

与现有方法的比较：

所提出的方法在中风患者的MI任务上表现更优，并在涉及健康受试者的公共MI数据集上取得了有竞争力的结果。

结论：

所提出的TPCNet模型有效地捕捉了EEG信号的时空特征和周期性模式，从而提高了分类准确性。

引言

中风是导致运动障碍的主要原因，大约60%到80%的患者在急性期会出现上肢运动障碍（Kyu等人，2018年）。由于受影响区域的大脑细胞可能受到不可逆的损伤或丧失，即使经过急性治疗，通常也需要长期康复（Delcamp等人，2024年）。通过运动网络的神经可塑性重组，患者可以重建皮质-肌肉连接并逐渐恢复运动功能（Zhao等人，2025年）。虽然常用的方法包括物理治疗、镜像疗法和水疗（Marinho-Buzelli等人，2024年），但现代策略越来越多地涉及创新技术，如步态识别、经颅刺激和运动想象（MI）（Xie等人，2025年）。

MI是指个体在不需要进行任何物理动作的情况下，在心理上模拟特定运动的过程（Wang等人，2025年）。在MI任务期间，大脑通常会激活与实际运动相同的区域，并产生特定的脑电图（EEG）信号（Lee等人，2021年）。由于不需要外部刺激这一优势，MI在基于EEG的神经康复系统开发中受到了广泛关注。在大多数现有研究中，MI数据来自执行基本肢体任务的健康个体，例如想象左手、右手、脚和舌头（Gwon等人，2023年）。相比之下，只有少数研究关注中风患者的MI。例如，Liu等人（2024年）报告了第一个公开可用的急性中风患者执行左右手MI任务的EEG数据集。Liu等人（2025年）收集了27名中风患者执行下肢MI任务的EEG数据，以研究中风康复期间的神经可塑性变化。然而，对于大多数中风患者来说，只有身体的一侧运动功能受损，而另一侧仍然正常（Esposito等人，2021年）。尽管最近的研究证明了MI解码在中风患者中的可行性，但神经生理学证据表明，抬升和降低手臂的任务通过皮质重组或感觉运动补偿过程对神经修复有益（Langhorne等人，2011年；Fregna等人，2023年）。然而，准确识别受影响肢体的精细MI任务仍然是一个具有挑战性的问题。

为了有效解码与中风相关的信号并支持中风康复，从复杂的EEG数据中提取有意义的信息至关重要。EEG信号汇集了来自皮层结构中数千个神经元的局部场电位，表现出非平稳的时间动态（Wang等人，2023a）。由于深度模型强大的非线性建模能力，许多研究致力于捕捉与MI任务相关的复杂时间、频谱和空间变化。例如，Tabar和Halici（2016年）结合了卷积神经网络（CNN）和堆叠自编码器（SAE）块，从EEG序列中提取时间、频率和空间信息，以分类左右手MI数据。Wang等人（2018年）应用了一维聚合近似（1D-SAX）从时间序列中提取特征，并利用长短期记忆（LSTM）网络从EEG信号中捕获长期时间信息，从而实现MI任务的分类。Lawhern等人（2018年）提出了EEGNet，该模型使用深度可分离卷积，在多种EEG范式中表现出稳健的性能。Ingolfsson等人（2020年）通过将扩张因果卷积集成到EEGNet中，开发了EEG-TCNet架构。这种方法在卷积核之间引入了扩张间隔，扩大了感受野，使模型能够捕捉EEG信号中的更长时间依赖性。Zhang等人（2021年）设计了基于不同卷积核大小选择的EEG-Inception架构来提取多尺度EEG时间信息。Altaheri等人（2023年）将注意力机制集成到TCNet中，开发了ATCNet，在MI解码中取得了显著的性能。然而，尽管有这些改进，现有架构仍然没有充分关注EEG信号固有的周期性特征。例如IFNet（Wang等人，2023b）和FACT-Net（Ke等人，2024）试图通过频率划分或变换技术增强EEG表示，但它们仍然依赖于固定的预处理策略，难以适应EEG周期性模式中的微妙任务特定变化。

在这项工作中，我们收集了24名中风患者执行涉及受影响手臂（前臂和侧臂抬升/下降）的MI任务的EEG数据。我们提出了一种基于时间周期性的卷积网络（TPCNet）来识别中风患者与MI任务相关的EEG信号。该模型首先使用时间卷积层、通道卷积层和空间卷积层，每个层都设计用于从原始MI EEG信号中提取不同类型的特征信息，从而得到一系列浅层时间表示。滑动窗口结构通过改变信息提取的初始位置，确保每个受试者样本中MI启动的一致性，从而增强了网络的识别能力。随后，时间周期性块利用EEG信号的周期性特征，将复杂的时间变化分解为内部和周期间变化。最后，我们使用可解释性分析来验证与任务样本相关的EEG信号中的周期性模式。此外，我们使用公开可用的2a数据集验证了我们的发现。本文的主要贡献如下：

• 我们建立了一个由24名受试者组成的中风患者单侧上肢MI数据集，他们执行四种MI任务。其中，12名受试者执行前臂抬升和下降动作，其余12名执行侧臂抬升和下降动作。
• TPCNet模型通过卷积块保留了EEG的时空特征，通过滑动窗口结构确保样本间MI任务的一致性，并使用时间周期性块捕捉周期性模式。
• 使用梯度加权类激活映射（Grad-CAM）研究了TPCNet架构在健康受试者和中风患者执行的MI中的时间周期性提取能力。

章节片段

受试者

在这项实验中，共有24名中风患者来自中国康复研究中心（博爱医院）。每位参与者都执行了涉及受影响上肢的MI任务。所有患者的颅骨完整，并且能够在会议期间充分合作，会议持续时间不超过1.5小时。为了确保两组任务之间的可比性，本研究中的中风患者被仔细分组，以保持关键人口统计和临床特征的平衡

预处理

使用EEGLAB工具箱（Delorme和Makeig，2004年）对中风患者单侧上肢MI任务的EEG信号进行了预处理。预处理步骤包括从1000 Hz下采样到250 Hz，全局平均参考，基线校正，从1 Hz到100 Hz的带通滤波，以及从49 Hz到51 Hz的陷波滤波，以去除高于100 Hz的高频噪声和50 Hz的电源线干扰。为了避免过度信号处理并保留与任务相关的神经

消融研究

在本节中，我们通过消融实验评估TPCNet中每个块的贡献。消融实验的结果使用了24名中风患者的自收集MI数据集进行验证，以准确性、kappa系数和F1分数作为平均分类结果报告。我们移除了滑动窗口结构和时间周期性块，以探索每个块对网络的积极贡献。如表2所示，结果表明

混淆矩阵

TPCNet解码的前臂和侧臂抬升及下降MI任务的平均混淆矩阵显示在图11中。所提出的模型在中风患者执行的所有四种MI任务中都表现出优异的性能，侧臂MI任务的表现优于前臂任务。此外，仅考虑MI方向时，下降MI的分类准确性高于抬升MI，无论运动是向前还是向侧面。值得注意的是，侧臂下降

结论

在这项研究中，我们提供了一个包含24名受试者执行单侧上肢MI任务的EEG信号的数据集。其中，12名受试者执行前臂抬升和下降任务，另外12名执行侧臂抬升和下降任务。此外，我们提出了一种TPCNet模型，用于识别不同任务状态下的中风患者和健康受试者的MI任务。该模型包含一个卷积块，用于提取浅层时空特征

CRediT作者贡献声明

王俊辉：写作 – 审稿与编辑，撰写原始草稿，验证，软件，方法论，调查，正式分析，数据管理。李明盖：写作 – 审稿与编辑，验证，资金获取。

资助

这项工作得到了国家自然科学基金的支持，授予编号为62173010的资助。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。