《Journal of Neuroscience Methods》：Exploration of the mental attention mechanisms in motor imagery-based EEG decoding
編輯推薦：
腦機接口（BCI）中運動想象（MI）解碼受注意力影響，本研究量化注意力對MI解碼的作用，提出兩種策略：注意力特征與CSP結合及基于高注意力篩選數據。實驗表明，數據篩選策略使準確率提升11.6%（基線61.3%→73.0%）。這為BCI系統整合實時注意力監控提供新思路，增強個性化與自適應能力。
Xixi Zhan|Xinlei Chen|Li Zhu|Wanzeng Kong
杭州電子科技大學計算機科學與技術學院，中國杭州310018
摘要
背景：
腦機接口（BCI）系統實現了大腦與外部設備之間的直接通信，其中基于運動想象（MI）的BCI是一個關鍵范式。盡管通過機器學習和深度學習，解碼神經信號的技術已經取得了進步，但人類因素，特別是注意力對性能的影響仍被忽視。
新方法：
本研究定量探討了注意力如何調節MI解碼。具體而言，它研究了在高注意力水平下共同空間模式（CSP）特征的增強，并評估了基于注意力的數據選擇作為解碼標準的效果。
結果：
實驗結果表明，將注意力作為試驗選擇策略（策略2）顯著提高了MI解碼性能，相對于沒有注意力的基線準確率61.3%，提高了11.6%。這些發現表明，將實時的注意力監測整合到BCI系統中可以提高解碼的魯棒性和穩定性，為神經康復、認知訓練和智能輔助技術中的個性化及上下文感知的腦機交互鋪平了道路。
與現有方法的比較：
以往的研究主要集中在算法創新上。相比之下，本研究采用以用戶為中心的視角，表明即使在標準的基于CSP的流程中，基于注意力的試驗選擇也能顯著提高性能。
結論：
將注意力納入解碼框架可以提高MI-BCI的性能。這種方法可能增強在線BCI系統的魯棒性和用戶適應性，從而促進更有效和用戶友好的神經技術的發展。
引言
腦機接口技術實現了大腦與外部設備之間的直接通信，在神經科學、康復和人機交互領域具有變革潛力（V?rbu等人，2022年）。在三種經典的BCI范式中——P300、穩態視覺誘發電位（SSVEP）和運動想象（MI）（Lee等人，2019年）中，運動想象作為一種基于自發腦電圖（EEG）的范式脫穎而出，它緊密符合“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）。運動想象已廣泛應用于運動功能康復（Ang和Guan，2017年；Mane等人，2020年），為神經障礙患者提供了一種非侵入性的運動恢復方法（Dobkin，2007年）。
基于MI的BCI的核心在于解碼與想象運動相關的神經信號，這一過程包括信號采集、特征提取和模式分類等多個步驟（Ramoser等人，2000年；Wolpaw等人，2002年）。這一范式通常依賴于量化事件相關去同步（ERD），其基礎工作最早由Pfurtscheller和Lopes da Silva在1999年完成。多年來，人們開發出了復雜的計算方法，例如廣泛采用的共同空間模式（CSP）用于特征提取（Blankertz等人，2008年），以提高MI解碼的準確性和效率（Lotte等人，2018年；Hou等人，2022年；Zhang等人，2021年）。
盡管在MI解碼方面取得了顯著進展，但由于個體差異和信噪比較低，基于MI的BCI系統的準確率仍然有限，這突顯了MI解碼的挑戰。雖然現有研究主要集中在改進信號解碼算法上，但人類因素，特別是注意力在BCI性能中的作用往往被忽視（Lyu等人，2023年）。注意力作為一種關鍵的人類因素，會調節EEG信號（Raufi和Longo，2022年），尤其是在與多種認知功能相關的α、θ和β頻段中（Klimesch，1999年；Antonenko等人，2010年）。這種調節增強了信號質量，并以任務依賴的方式影響大腦皮層活動，直接影響EEG信號的穩定性和可靠性，這對于準確解碼至關重要（Zheng和Chen，2021年）。早期研究表明，注意力的波動會顯著改變EEG特征，尤其是在與運動相關的μ和β頻段中，高度集中的注意力會放大這些腦電波，而分心或疲勞則會減弱它們的強度（Pfurtscheller和Lopes da Silva，1999年；Dikker等人，2021年；Ke等人，2021年）。
鑒于上述挑戰，我們提出了一種新方法來研究注意力如何影響基于MI的EEG解碼性能。我們將注意力特征與CSP和線性判別分析（LDA）相結合以提高解碼性能。本研究的貢獻包括：
- 我們提出了一種量化注意力對基于MI的EEG解碼影響的方法。通過從EEG信號中提取與注意力相關的特征，該方法旨在更好地理解不同注意力水平如何調節MI任務期間的EEG活動，從而最終提高MI解碼性能。
- 設計了兩種策略：一種將注意力特征與傳統的CSP EEG特征結合，另一種利用注意力作為選擇標準來提高數據集的質量，專注于高注意力水平的試驗。這兩種策略都與傳統方法進行了比較，以評估其在基于MI的EEG解碼中的有效性。
- 實驗結果表明，將注意力作為選擇標準可顯著提高MI解碼性能，大約提高了11.6%，這一結論基于109名參與者的龐大數據集。這為BCI范式設計提供了有價值的見解，表明在在線MI-BCI優化中排除低注意力水平的試驗可以提高系統穩定性和控制可靠性。
本文的其余部分結構如下：第2節對相關文獻進行了全面回顧。第3節詳細介紹了我們提出的方法及其實驗設置。第4節展示了基于注意力的實驗結果，第5節給出了結論。
部分片段
注意力實驗與計算
注意力是一種關鍵的認知狀態，可以調節神經振蕩，其量化一直是認知神經科學的主要研究焦點。傳統上，研究人員使用斯特魯普任務（Hsieh等人，2018年）、Go/No-Go任務（Raud等人，2020年）和連續性能任務（CPT）（Shalev等人，2018年）來誘導不同水平的注意力狀態。隨后，利用EEG的高時間分辨率，研究人員可以分析EEG數據
方法
本文探討了注意力在提高MI-BCI應用解碼性能中的作用機制。為此，設計了兩種策略：將注意力特征與CSP特征結合，以及使用注意力特征作為EEG數據選擇的標準。所提出方法的總體框架如圖2所示，包括四個主要模塊：數據預處理、注意力計算和兩種策略（見圖1）。
利用增強型注意力特征評估MI解碼性能
該實驗研究了通過添加注意力特征到CSP衍生的空間模式中是否可以提高MI解碼性能。四種注意力指數（α/β、θ/β、(α+θ)/(α+β)與CSP特征結合后使用LDA進行分類。配對樣本t檢驗顯示，雖然改進效果不大（約1%），但在統計上是顯著的（見圖3）。效應量（Cohen’s d = 0.28和0.25）表明，盡管幅度較小，但效果是存在的。
結論
在本文中，我們提出了一個框架來量化注意力對MI解碼的影響，采用了兩種策略：將注意力指數添加到CSP特征中，以及根據高注意力水平選擇EEG試驗。實驗結果表明，結合注意力特征可以顯著提高MI-BCI解碼性能。具體來說，選擇高注意力水平的試驗顯著提高了分類準確性。
CRediT作者貢獻聲明
Xixi Zhan：撰寫——原始草案、方法論、形式分析。Xinlei Chen：形式分析、調查、驗證、可視化、撰寫——審閱與編輯。Li Zhu：撰寫——審閱與編輯、方法論、調查、資金獲取、概念化。Wanzeng Kong：撰寫——審閱與編輯、驗證、方法論。
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文所述的工作。
致謝
本研究得到了中國浙江省自然科學基金（項目編號LQ24F020035）；國家自然科學基金（項目編號62301196）；以及浙江省“先鋒”和“領頭雁”研發計劃（項目編號2025C04001和2023C03026）的支持；同時得到了浙江省腦機協同智能實驗室（項目編號2020E10010）的支持。此外，本研究還得到了中央政府引導的地方科技計劃的支持。
