编辑推荐：
脑机接口（BCI）中运动想象（MI）解码受注意力影响，本研究量化注意力对MI解码的作用，提出两种策略：注意力特征与CSP结合及基于高注意力筛选数据。实验表明，数据筛选策略使准确率提升11.6%（基线61.3%→73.0%）。这为BCI系统整合实时注意力监控提供新思路，增强个性化与自适应能力。
Xixi Zhan|Xinlei Chen|Li Zhu|Wanzeng Kong
杭州电子科技大学计算机科学与技术学院，中国杭州310018
摘要
背景：
脑机接口（BCI）系统实现了大脑与外部设备之间的直接通信，其中基于运动想象（MI）的BCI是一个关键范式。尽管通过机器学习和深度学习，解码神经信号的技术已经取得了进步，但人类因素，特别是注意力对性能的影响仍被忽视。
新方法：
本研究定量探讨了注意力如何调节MI解码。具体而言，它研究了在高注意力水平下共同空间模式（CSP）特征的增强，并评估了基于注意力的数据选择作为解码标准的效果。
结果：
实验结果表明，将注意力作为试验选择策略（策略2）显著提高了MI解码性能，相对于没有注意力的基线准确率61.3%，提高了11.6%。这些发现表明，将实时的注意力监测整合到BCI系统中可以提高解码的鲁棒性和稳定性，为神经康复、认知训练和智能辅助技术中的个性化及上下文感知的脑机交互铺平了道路。
与现有方法的比较：
以往的研究主要集中在算法创新上。相比之下，本研究采用以用户为中心的视角，表明即使在标准的基于CSP的流程中，基于注意力的试验选择也能显著提高性能。
结论：
将注意力纳入解码框架可以提高MI-BCI的性能。这种方法可能增强在线BCI系统的鲁棒性和用户适应性，从而促进更有效和用户友好的神经技术的发展。
引言
脑机接口技术实现了大脑与外部设备之间的直接通信，在神经科学、康复和人机交互领域具有变革潜力（V?rbu等人，2022年）。在三种经典的BCI范式中——P300、稳态视觉诱发电位（SSVEP）和运动想象（MI）（Lee等人，2019年）中，运动想象作为一种基于自发脑电图（EEG）的范式脱颖而出，它紧密符合“你想得到什么就能得到什么”的概念（Nicolas-Alonso和Gomez-Gil，2012年；Pfurtscheller和Neuper，2001年）。运动想象已广泛应用于运动功能康复（Ang和Guan，2017年；Mane等人，2020年），为神经障碍患者提供了一种非侵入性的运动恢复方法（Dobkin，2007年）。
基于MI的BCI的核心在于解码与想象运动相关的神经信号，这一过程包括信号采集、特征提取和模式分类等多个步骤（Ramoser等人，2000年；Wolpaw等人，2002年）。这一范式通常依赖于量化事件相关去同步（ERD），其基础工作最早由Pfurtscheller和Lopes da Silva在1999年完成。多年来，人们开发出了复杂的计算方法，例如广泛采用的共同空间模式（CSP）用于特征提取（Blankertz等人，2008年），以提高MI解码的准确性和效率（Lotte等人，2018年；Hou等人，2022年；Zhang等人，2021年）。
尽管在MI解码方面取得了显著进展，但由于个体差异和信噪比较低，基于MI的BCI系统的准确率仍然有限，这突显了MI解码的挑战。虽然现有研究主要集中在改进信号解码算法上，但人类因素，特别是注意力在BCI性能中的作用往往被忽视（Lyu等人，2023年）。注意力作为一种关键的人类因素，会调节EEG信号（Raufi和Longo，2022年），尤其是在与多种认知功能相关的α、θ和β频段中（Klimesch，1999年；Antonenko等人，2010年）。这种调节增强了信号质量，并以任务依赖的方式影响大脑皮层活动，直接影响EEG信号的稳定性和可靠性，这对于准确解码至关重要（Zheng和Chen，2021年）。早期研究表明，注意力的波动会显著改变EEG特征，尤其是在与运动相关的μ和β频段中，高度集中的注意力会放大这些脑电波，而分心或疲劳则会减弱它们的强度（Pfurtscheller和Lopes da Silva，1999年；Dikker等人，2021年；Ke等人，2021年）。
鉴于上述挑战，我们提出了一种新方法来研究注意力如何影响基于MI的EEG解码性能。我们将注意力特征与CSP和线性判别分析（LDA）相结合以提高解码性能。本研究的贡献包括：
- 我们提出了一种量化注意力对基于MI的EEG解码影响的方法。通过从EEG信号中提取与注意力相关的特征，该方法旨在更好地理解不同注意力水平如何调节MI任务期间的EEG活动，从而最终提高MI解码性能。
- 设计了两种策略：一种将注意力特征与传统的CSP EEG特征结合，另一种利用注意力作为选择标准来提高数据集的质量，专注于高注意力水平的试验。这两种策略都与传统方法进行了比较，以评估其在基于MI的EEG解码中的有效性。
- 实验结果表明，将注意力作为选择标准可显著提高MI解码性能，大约提高了11.6%，这一结论基于109名参与者的庞大数据集。这为BCI范式设计提供了有价值的见解，表明在在线MI-BCI优化中排除低注意力水平的试验可以提高系统稳定性和控制可靠性。
本文的其余部分结构如下：第2节对相关文献进行了全面回顾。第3节详细介绍了我们提出的方法及其实验设置。第4节展示了基于注意力的实验结果，第5节给出了结论。
部分片段
注意力实验与计算
注意力是一种关键的认知状态，可以调节神经振荡，其量化一直是认知神经科学的主要研究焦点。传统上，研究人员使用斯特鲁普任务（Hsieh等人，2018年）、Go/No-Go任务（Raud等人，2020年）和连续性能任务（CPT）（Shalev等人，2018年）来诱导不同水平的注意力状态。随后，利用EEG的高时间分辨率，研究人员可以分析EEG数据
方法
本文探讨了注意力在提高MI-BCI应用解码性能中的作用机制。为此，设计了两种策略：将注意力特征与CSP特征结合，以及使用注意力特征作为EEG数据选择的标准。所提出方法的总体框架如图2所示，包括四个主要模块：数据预处理、注意力计算和两种策略（见图1）。
利用增强型注意力特征评估MI解码性能
该实验研究了通过添加注意力特征到CSP衍生的空间模式中是否可以提高MI解码性能。四种注意力指数（α/β、θ/β、(α+θ)/(α+β)与CSP特征结合后使用LDA进行分类。配对样本t检验显示，虽然改进效果不大（约1%），但在统计上是显著的（见图3）。效应量（Cohen’s d = 0.28和0.25）表明，尽管幅度较小，但效果是存在的。
结论
在本文中，我们提出了一个框架来量化注意力对MI解码的影响，采用了两种策略：将注意力指数添加到CSP特征中，以及根据高注意力水平选择EEG试验。实验结果表明，结合注意力特征可以显著提高MI-BCI解码性能。具体来说，选择高注意力水平的试验显著提高了分类准确性。
CRediT作者贡献声明
Xixi Zhan：撰写——原始草案、方法论、形式分析。Xinlei Chen：形式分析、调查、验证、可视化、撰写——审阅与编辑。Li Zhu：撰写——审阅与编辑、方法论、调查、资金获取、概念化。Wanzeng Kong：撰写——审阅与编辑、验证、方法论。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了中国浙江省自然科学基金（项目编号LQ24F020035）；国家自然科学基金（项目编号62301196）；以及浙江省“先锋”和“领头雁”研发计划（项目编号2025C04001和2023C03026）的支持；同时得到了浙江省脑机协同智能实验室（项目编号2020E10010）的支持。此外，本研究还得到了中央政府引导的地方科技计划的支持。
