《NeuroImage》：Motor imagery EEG signal classification using minimally random convolutional kernel transform and hybrid deep learning
编辑推荐：
本研究针对运动想象脑电（MI-EEG）信号因非平稳性、个体差异性导致的分类精度不足和计算成本高的问题，研究人员提出了结合最小随机卷积核变换（MiniRocket）特征提取与线性分类器，以及构建混合CNN-LSTM深度学习模型的两种新方法。在PhysioNet和BCI Comp IV 2a数据集上评估，分别取得了98.63%和92.57%的优异平均分类精度，显著提高了MI-EEG的解码准确性，同时降低了计算开销，为高效稳健的脑机接口系统开发提供了新见解。
想象一下，仅凭“意念”就能控制外部设备，这并非科幻情节，而是脑机接口技术致力于实现的未来图景。其中，运动想象作为一种无需实际肢体动作的思维活动，为瘫痪患者或运动功能障碍人群提供了全新的康复与辅助通信可能。然而，解读大脑发出的微弱“想象”信号——运动想象脑电信号——却是一项巨大挑战。这些信号不仅极其微弱，混杂着各种噪声，还具有非平稳性、时变性以及巨大的个体间差异，导致传统的分析方法常常力不从心，分类准确率有待提高，且计算过程复杂耗时。面对这些难题，如何高效、精准地解码运动想象意图，成为了推动脑机接口从实验室走向临床应用的关键瓶颈。
为应对这一挑战，一项发表在《NeuroImage》上的研究带来了创新性的解决方案。研究人员提出并系统比较了两种新颖的信号处理与分类策略：一种是基于确定性特征变换的“MiniRocket + 岭回归分类器”轻量级管线，另一种是能够端到端学习的“卷积神经网络-长短期记忆网络”混合深度学习模型。他们的核心目标是，在保证甚至提升分类精度的同时，显著降低模型的计算复杂度，为开发更实用、更高效的脑机接口系统铺平道路。
研究主要运用了几项关键技术方法：首先，利用独立成分分析对原始脑电信号进行预处理，以分离出与运动想象相关的μ和β节律。其次，核心方法一是应用最小随机卷积核变换算法，该算法通过大量具有随机参数（如长度、权重、膨胀率）的卷积核处理时间序列，并计算输出中正值比例这一特征，从而高效生成高维度的判别性特征集，供后续线性分类器使用。方法二是构建了一个紧凑的CNN-LSTM混合神经网络架构，该网络通过卷积层自动提取信号的空间特征，再经由LSTM层捕获其时间动态特性，实现端到端的分类。研究在两个公开的脑电数据集上进行了验证：PhysioNet EEG运动想象/运动数据集（包含109名受试者的四种运动想象任务）和BCI竞赛IV数据集2a。
研究结果通过多个维度展示了所提方法的有效性：
在分类性能方面，两种模型在PhysioNet数据集上均取得了卓越表现。MiniRocket结合岭回归分类器的平均准确率达到了98.63%，而CNN-LSTM混合模型也达到了98.06%。在更具挑战性的BCI竞赛IV 2a数据集上，两者分别获得了92.57%和92.32%的平均准确率。结果表明，基于MiniRocket特征的分类器在精度上略优于深度学习方法。
在计算效率比较方面，研究特别强调了MiniRocket管线的巨大优势。尽管CNN-LSTM模型能够自动学习时空特征，但MiniRocket结合线性分类器的方法以极低的计算成本和少得多的可训练参数，实现了与之相当甚至更高的分类精度。这使其特别适合于对计算资源或延迟有严格要求的嵌入式或临床实时脑机接口系统。
在个体差异与任务分析方面，研究揭示了不同受试者之间以及不同运动想象任务之间分类性能的差异性。例如，在PhysioNet数据集中，某些受试者的分类准确率显著高于其他受试者。同时，对于“左手”和“双脚”运动想象任务的分类效果通常最佳，这反映了不同大脑区域激活模式的差异性。
模型稳健性通过准确率-损失曲线、混淆矩阵和受试者工作特征曲线等评估指标得到了验证。两种模型的训练过程均表现稳定，未出现过拟合，且对四分类任务均展现出高区分度。
归纳研究结论与讨论部分，本研究的核心贡献在于实证比较并验证了两种高效的运动想象脑电信号分类范式。首先，研究证实了基于MiniRocket的确定性特征变换配合简单线性分类器，是一种极为高效且强大的方案，它在保持顶尖分类性能的同时，极大地降低了计算负担，为开发低功耗、高实时性的脑机接口设备提供了坚实的技术基础。其次，所设计的紧凑型CNN-LSTM混合模型作为一个性能优异的端到端基线模型，展示了深度学习在自动提取脑电信号复杂时空特征方面的潜力。这项工作超越了单纯追求准确率的范畴，将计算效率纳入了核心评估体系，具有重要的现实意义。它不仅为运动想象脑电信号的特征提取与分类提供了新的见解，也为未来脑机接口研究指明了一个方向：即在算法创新的同时，必须充分考虑其在真实场景（如临床床边、可穿戴设备）中部署的可行性。文章最后展望了未来的研究方向，例如探索非加性的电极-信号源融合方法以进一步提高低信噪比条件下的鲁棒性，以及将此类高效特征提取框架扩展到脑电-功能近红外光谱等多模态脑机接口系统中，以应对更复杂的实际环境挑战。总之，这项研究通过巧妙的算法设计和严谨的实验对比，为推动脑机接口技术的实用化进程贡献了宝贵的力量。
