本文提出了一种挤压与激励变换器网络（SET-Net），该网络是一种混合型卷积神经网络-变换器网络，通过利用频谱图特征识别基于脑电图（EEG）的注意力与放松状态，识别准确率达到93.7%，且具有高度泛化能力，可用于脑机接口（BCI）应用。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文提出了一种挤压与激励变换器网络（SET-Net），该网络是一种混合型卷积神经网络-变换器网络，通过利用频谱图特征识别基于脑电图（EEG）的注意力与放松状态，识别准确率达到93.7%，且具有高度泛化能力，可用于脑机接口（BCI）应用。
脑机接口（Brain Computer Interface, BCI）技术被用作在人脑与外部环境之间建立直接通信通道的工具，广泛应用于辅助系统与交互式系统中。在BCI系统中，通常采用脑电图（Electroencephalography, EEG）非侵入式地采集神经活动信号。然而，由于EEG信号具有非平稳性和噪声干扰，对注意力和放松等认知状态进行有效分类仍存在困难。为克服这些局限性，本研究提出了一种新型混合深度学习架构，即“压缩-激励”变换网络（squeeze-and-excitation transformer network, SET-Net）。该方法对EEG信号进行预处理，并将其划分为时间窗口，以分析显著的频谱图特征。所提出的模型实现了93.7%的分类准确率，F1分数达到0.93，ROC-AUC为0.98，表明该混合深度学习模型在基于EEG的注意力-放松状态判别方面具有更强的能力。该系统为人类与计算机交互中的辅助技术提供了可扩展的实时BCI应用解决方案。
脑机接口（Brain–Computer Interfaces, BCIs）已成为一种颠覆性技术，能够实现人脑与外部设备之间的直接通信，而无需依赖传统的神经肌肉通路。由于具有非侵入性、便携性和成本效益高等优势，脑电图（Electroencephalography, EEG）是最常见且应用最广泛的技术1。基于EEG的脑机接口已被应用于医疗健康、神经康复、游戏娱乐以及针对神经系统障碍人群的辅助技术中，通过分析大脑活动实现功能支持2。其中最重要的应用之一是识别认知状态，包括注意力集中与放松状态，这些信息可用于构建自适应的人机交互系统和数字可访问性工具3。然而，由于EEG信号信噪比较低、个体间差异较大，以及注意力与放松状态之间存在复杂的时序动态关系，因此利用EEG对这两种状态进行分类具有较大挑战性4。传统的机器学习模型，如支持向量机（SVM）和随机森林，在该任务中表现出中等性能；但这些方法通常依赖于特征工程，难以充分挖掘EEG信号在空间–频谱–时间维度上的复杂结构5。近年来，深度学习技术的发展，特别是卷积神经网络（CNN）和Transformer模型，为EEG信号的自动特征提取与高精度分类提供了新的机遇6。
访问受限。请登录或开始试用以查看此内容。
本研究遵循赫尔辛基宣言进行，并已获得印度泰伦加纳邦瓦朗加尔SR大学机构伦理委员会的批准（批准编号：007/2026）。在数据收集前，已从所有参与者处获得书面知情同意。
受试者选择
采集了11名健康参与者（年龄范围：25–45岁；平均年龄：28岁）的脑电图（EEG）数据，所有参与者均无神经系统或精神疾病病史。本研究共纳入1175个EEG片段，其中527个属于放松状态类别，648个属于注意力集中状态类别。若参与者的EEG记录显示存在明显运动伪迹或信号质量较差，则予以排除。
脑电图采集设置
建议的基于脑电图（EEG）的脑-机接口系统的总体布局如图1所示，该图展示了信号采集、分类和实时应用的完整流程。脑电数据通过一个小型生物电势采集模块记录，并连接至基于微控制器的系统。凝胶电极根据国际10–20系统放置，具体为额前区的Fp1和Fp2点，参考电极和接地电极置于耳垂，如图2所示。信号以128 Hz的采样率进行数字化，并通过自编写的Python采集脚本传输至计算机。为降低电极阻抗并提高信号质量，进行了充分的皮肤预处理并使用了导电凝胶。
访问受限。请登录或开始试用以查看此内容。
基于频谱图的特征表示
本研究的主要目标是利用脑电图（EEG）信号对注意力和放松状态进行准确分类。将原始EEG信号转换为频谱图，使得有效提取具有区分性的特征成为可能。频谱图显示，在放松状态下α频段活动（8–13 Hz）增强，而在注意力集中状态下β频段活动（14–25 Hz）增强。这种在频域特性上的明显区分明确支持了本研究的目的，表明输入信号本身的表征即能反映出两种认知状态之间的显著差异。
SET-Net 模型性能
表6总结了所提出的SET-Net模型的性能，该模型实现了成功的注意力放松分类。该模型达到了93.7%的准确率、0.93的F1分数以及0.98的ROC-AUC值。所有这些指标均验证了模型的性能：准确率衡量整体正确性，F1分数衡量在类别分布下的精确率与召回率的平衡，而ROC-AUC则衡量在不同决策阈值下两种认知状态之间的高可分性。
访问受限。请登录或开始试用以查看此内容。
当前研究提出了一种基于脑电图（EEG）的注意力-放松状态分类的混合深度学习模型SET-Net。为学习EEG信号的空间、频谱和时间特征，该模型架构结合了卷积神经网络、压缩-激励注意力机制和Transformer编码器，如图5所示。研究结果表明，所提出的方法能够实现研究目标。准确率、F1分数和ROC曲线下面积（ROC-AUC）值（Table 6）较高，证明该模型具有可靠性，并在分类性能上实现了良好平衡。根据混淆矩阵（图8）显示，大多数预测结果准确，仅有少量误分类情况，这些误分类与过渡性认知状态之间的相似性相关。消融实验（Table 7）进一步证实，架构中的每个组成部分均对性能提升具有显著贡献。
本研究通过提供一种用于认知状态分类的强健且可解释的系统，丰富了当前关于脑机接口系统的知识体系。研究还整合了可解释性技术（图15），提高了系统的透明度，.......
访问受限。请登录或开始试用以查看此内容。
作者声明，他们不存在任何已知的可能影响本研究工作的竞争性财务利益或个人关系。
作者感谢印度特伦甘纳邦瓦朗加尔的SR大学为开展本研究提供了必要的实验室设施和伦理批准。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 计算机 / 笔记本电脑 | 通用型 | 任何标准系统 | ≥建议 8 GB 内存 |
| 数据采集脚本 | 自定义 | collect.py | 基于 Python 的采集脚本 |
| 一次性凝胶电极 | 通用 | 预凝胶化 Ag/AgCl 电极 | 一次性，粘性 |
| 脑电图采集模块 | 倒置实验室 | BioAmp EXG Pill | 生物电位信号模拟前端 |
| 电极凝胶（若使用可重复使用的电极） | 通用型 | 导电凝胶 | 提高信号传导性 |
| 交互式应用程序（游戏） | 通用型 | 任何简单的游戏（例如，竞速类游戏） | 键盘控制界面 |
| 跳线 | 通用 | 男性–雌性连接器 | 标准面包板导线 |
| Matplotlib / Seaborn | 开源 | 最新版本 | 可视化文库 |
| 微控制器板 | Arduino | Uno / Maker Uno | 10位ADC，USB接口 |
| Python 编程环境 | Python 软件基金会 | Python ≥3.8 | 开源编程语言 |
| PyTorch 库 | Meta AI | 版本 ≥1.12 | 深度学习框架 |
| Scikit-learn | 开源 | 最新稳定版本 | 机器学习工具 |
| 信号处理库 | SciPy | 最新版本 | 滤波，短时傅里叶变换 |
| USB 数据线 | 通用型 | USB Type-A 转 Type-B | 数据传输线 |
访问受限。请登录或开始试用以查看此内容。
本文已发表
视频即将推出