[论文解读] Integrating EEG and MEG signals to improve motor imagery classification in brain-computer interfaces
本研究提出了一种融合框架，将同步记录的脑电图（EEG）与脑磁图（MEG）信号相结合，以提升非侵入性脑-计算机接口（BCI）中运动想象分类的性能。通过采用自适应融合来自两种模态特征的加权匹配得分方法，该方法显著提高了分类准确率，尤其是在α和β频带中表现突出，在15名健康受试者中的13名中，其性能优于单独使用EEG或MEG的单模态方法。
We propose a fusion approach that combines features from simultaneously recorded electroencephalographic (EEG) and magnetoencephalographic (MEG) signals to improve classification performances in motor imagery-based brain-computer interfaces (BCIs). We applied our approach to a group of 15 healthy subjects and found a significant classification performance enhancement as compared to standard single-modality approaches in the alpha and beta bands. Taken together, our findings demonstrate the advantage of considering multimodal approaches as complementary tools for improving the impact of non-invasive BCIs.
研究动机与目标
- 为解决运动想象基BCI中分类性能较低的问题，特别是针对BCI不响应个体的挑战。
- 探究结合EEG与MEG信号——两种互补的神经影像模态——是否能够超越单模态方法，提升BCI性能。
- 开发并评估一种稳健的自适应融合策略，根据信号质量与个体特异性神经动力学，动态调整EEG与MEG的贡献权重。
- 评估此类多模态融合在真实世界、非优化环境下的可行性，模拟BCI在无BCI经验用户中的实际部署。
提出的方法
- 从15名健康、右利手受试者中同步采集高密度EEG（74通道）与MEG（306通道）记录，用于运动想象任务。
- 从EEG与MEG信号中提取α（8–13 Hz）和β（13–30 Hz）频带的时间-频率特征，重点关注事件相关去同步化（ERD）。
- 应用加权匹配得分融合方法，通过可学习的权重参数λi，动态调整各模态的贡献，以反映个体信号可靠性。
- 使用线性判别分析（LDA）作为基础分类器，融合在得分层面进行，以结合各模态特有的分类输出。
- 使用500-ms时间窗对融合框架进行离线训练与评估，计算延迟估计约为每帧20 ms，与实时BCI反馈周期兼容。
- 分析个体特异性特征权重（λi），以评估模态主导性及受试者间神经信号贡献的差异。
实验结果
研究问题
- RQ1与单模态方法相比，EEG与MEG信号的整合是否能提升运动想象分类性能？
- RQ2EEG与MEG的相对贡献在不同个体间如何变化？哪些因素影响这种差异？
- RQ3在无预处理、无经验用户及信号质量未优化的真实场景下，所提出的融合框架是否仍能保持性能提升？
- RQ4该融合方法在计算效率上是否足够满足实时BCI应用的需求？
- RQ5当EEG与MEG模态的α与β频带ERD联合使用时，其在提升分类性能中起到何种作用？
主要发现
- 在15名受试者中的13名中，EEG与MEG信号的融合显著提升了分类性能，尤其在α与β频带中表现突出。
- 通过融合，受试者平均曲线下面积（AUC）得到提升，且性能增益存在显著的受试者间差异。
- 融合框架能自适应调整模态权重（λi），且在EEG与MEG的相对贡献上表现出显著的受试者间差异，表明个体在神经信号可检测性方面存在差异。
- 融合流水线的计算延迟估计为每500-ms时间窗约20 ms，与实时BCI反馈系统兼容。
- 该方法在无预处理、无经验用户及信号质量未优化的真实场景中表现出鲁棒性。
- γ频带活动未见显著改善，可能由于头皮记录信号的信噪比较低以及体积导抗效应。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。