【儀表網(wǎng) 研發(fā)快訊】 隨著非侵入式腦機(jī)接口(BCI)技術(shù)在智能控制及物聯(lián)網(wǎng)(IoT)等領(lǐng)域的持續(xù)發(fā)展，基于運(yùn)動(dòng)想象(MI)的神經(jīng)信號解碼正成為構(gòu)建自然、高效人機(jī)通信通道的關(guān)鍵手段。BCI 系統(tǒng)通過解讀腦電(EEG)信號，將神經(jīng)活動(dòng)轉(zhuǎn)化為控制假肢、輪椅等輔助技術(shù)的指令，同時(shí)也展現(xiàn)出在智能家居設(shè)備等物聯(lián)網(wǎng)場景中實(shí)現(xiàn)免手動(dòng)交互的潛力，這一能力尤其為行動(dòng)不便人群提供了更高的可及性與便利性。而現(xiàn)有解碼方法存在明顯不足：傳統(tǒng)卷積核難以捕捉腦電等非網(wǎng)格數(shù)據(jù)的空間依賴關(guān)系，而即便用圖神經(jīng)網(wǎng)絡(luò)(GNN)將EEG通道建模為圖節(jié)點(diǎn)，傳統(tǒng)方法也只能體現(xiàn)電極間的兩兩關(guān)系，忽略了大腦節(jié)點(diǎn)在認(rèn)知任務(wù)中的協(xié)同特性，導(dǎo)致關(guān)鍵關(guān)聯(lián)信息缺失。
 

　　針對上述挑戰(zhàn)，中國科學(xué)院上海高等研究院(以下簡稱“上海高研院”)智能信息中心下一代移動(dòng)通信網(wǎng)絡(luò)團(tuán)隊(duì)提出一種具備多節(jié)點(diǎn)信息聚合能力的輕量級算法，該技術(shù)立足于運(yùn)動(dòng)想象范式，引入最短路徑算法和可學(xué)習(xí)嵌入向量捕捉腦區(qū)協(xié)作路由信息，并通過節(jié)點(diǎn)關(guān)系融合層(NFL)與其它點(diǎn)、面類節(jié)點(diǎn)信息共同構(gòu)建多腦區(qū)協(xié)同圖結(jié)構(gòu)，突破傳統(tǒng)圖神經(jīng)網(wǎng)絡(luò)僅表征兩兩電極關(guān)系的局限，形成兼具空間關(guān)聯(lián)性與路徑協(xié)同性的輕量級解碼框架，不僅能突破傳統(tǒng)方法對腦電信號空間關(guān)聯(lián)的建模局限，更能通過降低計(jì)算復(fù)雜度與參數(shù)規(guī)模，顯著提升腦機(jī)通信系統(tǒng)在資源受限物聯(lián)網(wǎng)設(shè)備中的適配性，為推動(dòng)新一代腦機(jī)接口技術(shù)在智能家電控制、可穿戴設(shè)備等領(lǐng)域的規(guī)?；渴鸬於夹g(shù)基礎(chǔ)。相關(guān)研究成果以 NexusNet: Lightweight Graph Modeling for Motor Imagery-based Brain-computer Interfaces 為題，發(fā)表于信號處理領(lǐng)域國際SCI期刊 IEEE Internet of Things Journal，為推動(dòng)非侵入式腦機(jī)通信系統(tǒng)在資源受限設(shè)備上應(yīng)用提供了新的方法路徑。
 

圖1.所提技術(shù)架構(gòu)
 

　　研究團(tuán)隊(duì)提出基于NexusNet的跨域適應(yīng)語義增強(qiáng)運(yùn)動(dòng)想象解碼框架，創(chuàng)新性構(gòu)建多維度協(xié)同圖建模機(jī)制。該框架通過Nexus融合層(NFL)實(shí)現(xiàn)四維度神經(jīng)關(guān)聯(lián)建模：空間關(guān)聯(lián)(Spatial Nexus)采用量化歐氏距離矩陣表征電極拓?fù)潢P(guān)系，通過可學(xué)習(xí)標(biāo)量動(dòng)態(tài)調(diào)整空間權(quán)重，解決傳統(tǒng)歐氏距離建模中的計(jì)算冗余問題；路由關(guān)聯(lián)(Route Nexus)基于弗洛伊德最短路徑算法，以腦區(qū)跨域標(biāo)簽標(biāo)記神經(jīng)通路，捕捉大腦節(jié)點(diǎn)協(xié)作時(shí)的長距離信息傳遞模式；鄰居關(guān)聯(lián)(Neighbor Nexus)通過鄰接矩陣對稱歸一化處理，強(qiáng)化局部電極間的直接交互影響；中心性關(guān)聯(lián)(Centrality Nexus)以節(jié)點(diǎn)度向量嵌入表征電極重要性，平衡網(wǎng)絡(luò)信息傳播權(quán)重。所提算法在BCIC IV 2A運(yùn)動(dòng)想象四分類數(shù)據(jù)集上以約3440個(gè)可學(xué)習(xí)參數(shù)實(shí)現(xiàn)78.78%的四分類準(zhǔn)確率，浮點(diǎn)運(yùn)算量僅0.88M，邊緣設(shè)備(CPU環(huán)境)推理時(shí)延降低至同水平算法的5%-30%。在智能家居控制、可穿戴康復(fù)設(shè)備等實(shí)時(shí)交互場景中，其無需模型微調(diào)即可適應(yīng)不同用戶的神經(jīng)信號特性，為解決腦電信號時(shí)變性強(qiáng)、個(gè)體差異顯著的行業(yè)痛點(diǎn)提供了兼具實(shí)時(shí)性與泛化能力的新型解碼方案。
 

圖2. 所提技術(shù)在 BCIC IV 2A數(shù)據(jù)集上的路由權(quán)重可視化結(jié)果
 

　　研究工作由中國科學(xué)院上海高等研究院牽頭，聯(lián)合了上海大學(xué)微電子學(xué)院副院長周婷教授團(tuán)隊(duì)協(xié)作完成。論文第一作者為智能信息中心碩士研究生汪梓凱，論文通訊作者為智能信息中心胡宏林研究員。本工作得到了國家自然科學(xué)基金和上海市經(jīng)信委高質(zhì)量發(fā)展專項(xiàng)基金的資助支持。