导    语

近日，来自上海交通大学的研究团队提出了一种基于自注意力卷积神经网络和部分先验迁移学习（SACNN-PPTL）的方法，提高了单侧上肢运动想象多任务的分类性能。相关成果发表在《Scientific Reports》上。

研究背景

脑卒中是高致残率和高死亡率的疾病，现有的康复治疗手段对大多数患者的效果有限。传统的被动康复方法难以有效激活患者的运动神经中枢，限制了神经重塑的效果。而基于运动想象（Motor Imagery, MI）的脑机接口（BCI）技术显示了显著的康复潜力，能够主动刺激患者大脑中的运动区域，有助于神经回路的重塑。尤其对于偏瘫患者，多任务的单侧上肢运动想象能够激活更多的脑区，具有较高的康复价值，但也增加了脑电信号（EEG）解码的难度。

研究概述

基于功能化导电聚合物的设计，研究团队设计了功能化聚苯胺基时序黏附水凝胶贴片。它可以实现心脏的同步机械生理监测和电耦合治疗，并牢固附着在心脏表面监测心脏的机械运动和电活动。

本研究首先对SACNN网络进行设计。SACNN是一种针对EEG解码任务设计的深度学习网络。其核心在于结合了时间特征提取模块、空间特征提取模块以及特征泛化模块，利用自注意力机制重新分配EEG通道的权重。通过二维卷积随机优化时间维度特征，以提取EEG信号中与任务相关的关键频段。在时间特征基础上，通过自注意力机制增强与任务相关脑区的激活信号，显著提高解码任务的空间特异性。进一步通过深层卷积池化层泛化特征，生成高度抽象的特征向量以增强分类性能。

传统的迁移学习难以同时兼顾模型的泛化能力与对目标域特定任务的适应能力。本文引入PPTL，首先将目标域部分数据引入源域模型的训练验证环节，增强模型对目标任务的适应性。然后在目标域训练阶段，保留源域模型的时间特征提取层参数，仅更新其余层参数，以保持泛化能力的同时提升分类精度。实验结果表明，当先验数据比例为70%时，分类精度最高，进一步增加先验比例会导致过拟合问题。

本文选择了五种主流深度学习网络（如EEGNet、Deep ConvNets）和三种训练模式（within、adapt、PPTL）进行对比，实验结果证明SACNN-PPTL的性能最优。SACNN-PPTL的分类准确率达到55.4%±0.17，显著高于对比网络及其他训练模式。PPTL框架的引入显著提升了模型的分类性能，尤其是在目标域样本特征差异较小时表现更为突出。

研究意义

该研究提出了适用于单侧上肢运动想象的EEG解码模型及迁移学习算法，为脑机接口技术在康复领域的应用提供了新的思路。提升了脑卒中患者在多任务运动想象分类中的解码性能，为精准康复训练方案的制定奠定了基础，有助于改善患者的神经功能恢复。通过结合自注意力机制与部分先验迁移学习，本文在处理数据样本较小且特征差异较小的EEG数据上展示了显著优势，具有良好的推广和应用前景。

本文来自新知号自媒体，不代表商业新知观点和立场。
若有侵权嫌疑，请联系商业新知平台管理员。
联系方式：system@shangyexinzhi.com