标签：基于生理启发脑电Transformer模型，用于在双手任务中预测突发运动状态转换
前言
《Physiology-Inspired EEG Transformer for Predicting Movement Transitions in Bimanual Tasks》
期刊：IEEE Journal of Biomedical and Health Informatics
年份：2025
分区：Q1，一区Top；IF：6.8
在“持续双手运动”过程中，在真实动作发生之前，用EEG预测“突发的运动状态切换”，本质上在做的是“EEG 层面的紧急制动预测”，而不是普通意图识别。
一、研究背景与动机
1. 问题背景
- 人机接口（HMI）在运动康复与外骨骼辅助中广泛应用。预测运动转换对于系统的安全性、直观性和响应性至关重要，尤其是在突发扰动或紧急情况下预判用户意图。
2. 现有方法局限性
- 现有研究多集中于“静息到运动”的解码，缺乏对持续运动中突发运动转换的预测能力，尤其是在双手协同任务中。
3. 方法基础
- 运动相关皮层电位（MRCP）和事件相关去同步化（ERD）是运动准备阶段的重要神经特征，具有对侧半球优势，可用于运动意图解码。
**MRCP：**突发转换 ≠ 普通持续用力
关键发现之一：
- 在 Go vs No-Go
- 力信号在 -500~0 ms 没有显著差异
- 但 EEG（Cz、FCz、C1/C2）已经显著分离
也就是说： - EEG 已经“决定要切换”了，但外周力学系统还没动
- 这正是 HMI / 外骨骼最需要的信号。
MRCP 的空间特点明显集中在： - FCz / Cz
- 对侧 C1 / C2
- 完全符合经典运动准备神经生理
**ERD：**时间-频率层面的提前去同步
他们进一步证明：
- β（21–30 Hz）ERD
- 最早在 -750 ~ -500 ms 就开始出现
- 双侧运动皮层先激活，随后对侧增强
这点很重要，因为： - MRCP是低频、慢电位
- ERD是振荡抑制
- 两者是互补的生理机制
👉 这直接引出了后面的双流模型设计（不是为了复杂而复杂）。
二、研究目标
- 探究在持续双手任务中，突发运动转换前的神经特征。
- 基于这些特征，提出一种生理启发的EEG Transformer模型（PI-EEGformer），用于基于EEG的运动意图预测。
- 在双手任务数据上验证模型性能，并与七种先进模型对比。
三、方法设计
1. 实验设计
10名健康受试者，采用 Go/No-go范式，模拟外骨骼输出错误引发的突发运动切换。
受试者双手持续施力，突然提示一侧手腕进行快速伸展运动（Go），另一侧保持稳定（No-go）。
采集30通道EEG（250 Hz）与力信号。
2. 神经特征提取
MRCP：低通滤波（0.1–5 Hz），提取运动前的慢皮层电位。
ERD：计算高β频带（21–30 Hz）功率变化，反映运动准备期的节律性活动。
3. PI-EEGformer模型架构
模型包含六个核心模块：
| 模块 | 功能描述 |
|---|---|
| 数据增强 | 离线GAN增强 + 在线MixUp，提升泛化能力 |
| 运动神经特征提取 | 多频带卷积提取μ、β、MRCP特征 |
| 空间编码模块 | 基于电极三维坐标的绝对与相对位置编码 |
| 多尺度注意力适配器 | 时间、模式、空间注意力机制，突出关键特征 |
| Transformer编码器 | 多层自注意力 + 前馈网络，提取全局时序特征 |
| 双流特征融合 | 分别处理MRCP与ERD特征，通过注意力机制融合 |
整体思想：三条“生理假设”驱动结构设计
假设 1：运动转换 ≠ 单一频段→ 多频并行提取（MRCP + μ + β）
假设 2：运动皮层空间结构重要→ 显式电极几何编码（3D 位置 + 距离）
假设 3：突发转换信号是“稀疏时间点”→ 时间注意力而不是简单池化
4. 模型训练与评估
输入：运动前500–100 ms的EEG片段。
评估方式：
- 被试内：随机划分训练/验证/测试集
- 跨被试：留一交叉验证
对比模型：SVM、RandomForest、CSP+DCPM、EEGNet、DeepConvNet、IENet、MPnnet
四、实验结果
1. 神经特征发现
- MRCP：在运动前500 ms内出现显著负电位，具有对侧半球优势。
- ERD：运动前0.75–0.5 s开始出现去同步化，强度随时间增强。
- 反应时：约460 ms，支持使用500 ms窗口进行预测。
2. 模型性能
Inter-subject评估
For inter-subject evaluation, the dataset was partitioned into training (70%), validation (15%), and test (15%) sets through a randomized trial-wise split across all 10 subjects.
- 具体操作:
对10名被试分开来，每个人的按照70% : 15% : 15% 的比例，随机划分出训练集、验证集和测试集。
Cross-Subject 评估（跨被试 / 留一被试交叉验证）
For cross-subject evaluation, we employed leave-one-out cross-validation where each subject’s entire dataset serves as the test set in rotation. The remaining subjects’ data is divided between training (80%) and validation (20%) sets.
- 具体操作:
选择1名被试的所有数据作为测试集。剩下的 9名被试 的数据作为源数据池。
在源数据池中，再进行一次划分：80%用于训练，20%用于验证（用于调参和早停）。
用训练好的模型去预测那1个完全未参与训练的被试的测试集数据。重复10次，使每个被试依次充当一次测试集。
最终报告 10次结果的平均值和标准差。 - 关键点:
这是真正的、严格的跨被试评估，测试集被试的数据在训练过程中完全不可见。
评估结果（平均准确率和标准差）直接反映了模型面对全新用户时的泛化性能和稳定性。
3. 消融实验
五、局限与未来方向
- 未在线验证：目前仅为离线分析，需在真实外骨骼控制场景中验证。
- 样本局限：仅健康受试者，未包含运动障碍患者。
- 环境泛化：需在低密度EEG和噪声环境下测试模型鲁棒性。
六、总结
该研究提出了一种生理启发的EEG Transformer模型，能够有效预测双手任务中的突发运动转换，为实时、自适应的人机接口系统提供了新的解码框架与神经基础。
