【论文】速度想象分类论文被ISCAS 2022会议接收

Xiaoqian Hao, and Biao Sun*. “Speed Imagery EEG Classification with Spatial-temporal Feature Attention Deep Neural Networks.” IEEE International Symposium on Circuits and Systems (ISCAS 2022).

本团队提出一种新的运动想象（motor imagery，MI）脑机接口（brain-computer interfaces，BCI）实验范式——速度想象脑机接口，并利用CNN（convolutional neural network，CNN）和Transformer深度学习网络对速度想象脑机接口进行分类。这为当前运动想象脑机接口捕获连续性神经意图的提供了依据，也将对探索大脑中连续神经意图解码和推进脑机接口实际应用产生重大影响。 捕获连续性神经意图是近年来运动想象脑机接口研究的一大挑战。速度想象脑机接口能够更真实的模拟现实情况下脑机接口的使用状态，从而受到众多国内外研究人员的广泛关注。然而当前的运动想象脑机接口大多采用单一的肢体动作（例如手，舌头和双脚等）进行研究。因此如何设计合适的实验范式对连续的神经意图（例如速度，力度）进行解码以及设计和开发用于连续性运动想象的脑机接口范式成为脑机接口研究的一大难题。

连续性神经意图可以采用脑电（Electroencephalogram，EEG）等多种信号形式进行体现。近年来，EEG信号由于其时间分辨率高、响应速度快、携带便携等优点被广泛应用于当前的运动想象脑机接口研究当中。但是由于EEG信号的非平稳性、信噪比低、空间分辨率差等缺陷，阻碍了运动想象脑机接口分类精度的提升，使得这一研究进入瓶颈期。最近出现的基于Transformer模型的框架在计算机视觉、机器翻译、自然语言处理和其他领域显示出潜力，为解决连续性神经意图信号解码等问题带来了可能。

针对上述问题，本团队首次提出了一种反映实际运动想象状态的自发性速度想象脑机接口范式以及解码速度想象EEG的深度学习网络框架。该论文将于2022年被IEEE International Symposium on Circuits and Systems (ISCAS 2022)国际会议正式收录。 论文提出的自发性速度想象范式能够有效解决当前脑机接口解码连续神经意图的难题。如图1所示，本研究的速度想象任务来自同一肢体——左手。其中速度想象任务包括0 Hz，0.5 Hz以及1 Hz三种不同的左手握拳频率。

此外，为解决连续自发性速度想象EEG解码问题提出了一个名为STformer的端到端时空特征提取网络框架，用于速度想象分类任务，网络框架如图2所示。CNN模型设置不同的卷积尺寸具有很强的局部特征捕获能力，Transformer模型能够学习时间序列信号的全局关系。鉴于此，该框架结合CNN模型和Transformer模型，充分考虑EEG信号的时间特性和空间特性，从全局和局部的角度提取时空特征。从而在EEG信号中获取有效信息，具有对速度想象EEG信号进行高精度分类的能力。

三种握拳速度的分类性能如图3所示。我们观察到速度想象数据集具有良好的捕捉连续自发神经意图的能力。此外，从平均激活度来看，脑激活比原始脑电数据更为明显。通过STformer网络训练之后，感觉运动区及辅助运动区具有更明显的激活表征。表明了时空特征信息具有显著提高脑机接口捕捉连续性神经活动的能力。

IEEE电路与系统国际研讨会（IEEE International Symposium on Circuits and Systems，ISCAS）是IEEE电路与系统分会（Circuits and Systems，CAS）下规模最大的旗舰会议，同时也是CAS下电路与系统领域影响力最大的国际学术会议，ISCAS 2022将于2022年5月在美国德克萨斯州奥斯汀举行。