DSTA-Net | 上海大学脑机工程研究中心团队提出基于时-空特征增强的运动想象脑电解码模型

近期，上海大学脑机工程研究中心团队提出了一种时空特征增强网络（DSTA-Net），将其应用于动想象脑电（MI-EEG）解码任务。相关成果以“DSTA-Net: Dynamic Spatio-Temporal Feature Augmentation Network for Motor Imagery Classification”为题，在期刊《Cognitive Neurodynamics》发表。

优化MI-EEG解码性能、增强特征可解释性，将为运动想象脑机接口（MI-BCI）在卒中患者的临床应用提供算法支撑。MI-EEG的运动意图解码，常受噪声伪迹干扰、高维数据特性及非平稳性等因素的制约。而在提升解码性能的同时，模型分类性能与特征可解释性的协同优化，对深入理解大脑运动意图的神经编码机制至关重要。

本文构建了一种时空特征增强网络（DSTA-Net），该模型主要由时空特征增强模块和时空卷积模块构成，如图1所示。其中时空特征增强模块包含：多尺度时域卷积，约束型分组空间卷积和空间特征线性映射。我们在BCI-Ⅳ-2a、OpenBMI、CASIA和卒中患者数据集（左手、右手、静息）上验证了算法的性能。其中，BCI-Ⅳ-2a和OpenBMI数据集各提供了2个Session，CASIA和患者数据集根据任务与样本量平衡划分了2个Session，具体信息如表1所示。本文采用二阶段训练法和早停机制进行训练，对每名被试进行十折交叉验证（CV）和留一法分析（HO）。

Fig. 1. Overall visualization of the DSTA-Net architecture.

The bolded values represent the highest accuracy, with paired t-test significance marked by * (p < 0.05), and ** (p < 0.01).

2.消融实验：1）各模块在OpenBMI数据集上的消融实验（HO）：结合原始信号层的多尺度时间卷积模块提升3.38%；分组空间卷积提升0.61%；时空特征增强模块提升3.99%，如表4所示。2）时空特征增强模块在4个数据上的消融实验（CV）：Stroke数据集提升2.25% (不显著)；BCI-Ⅳ-2a数据集提升6.29% (p<0.01)；OpenBMI数据集提升3.05% (p<0.01)；CASIA数据集提升5.26% (p<0.01)，如图2所示。

MTC refers to Multi-Scale Temporal CNN, GSC denotes Grouped Spatial CNN, and STC represents SpatioTemporal CNN. A check mark (✓) indicates the inclusion of the module, whereas a cross (×) signifies its exclusion.

Fig. 2. Ablation experiment results on the four datasets under the cross-validation (CV) mode, with statistical significance indicated by ** (p < 0.01) based on paired t-tests, ns indicates not significant.

3.特征可解释性：1）患者S1三分类准确率为96.33%（左手、右手、静息）；左手MI vs 静息任务的Deeplift高度集中于FC6、C6；右手MI vs 静息任务的Deeplift高度集中于FC3、FC5、C5。2）患者S3三分类准确率为42.67%（左手、右手、静息）；左手MI任务、右手运动MI任务相对于静息任务的Deeplift激活区域较广且分散。

Fig. 3. DeepLift Visualization with DSTA-Net for Subject 1 (96.33% Accuracy) and Subject 3 (42.67% Accuracy) from the Stroke Dataset: Left-Hand and Right-Hand as Target Labels, Resting Task as Reference Label.

本文提出了一种时空特征增强网络（DSTA-Net）用于MI解码，在4个数据集上表现出良好的解码性能。基于DeppLIFT的EEG通道贡献度显示：分类准确率较高的患者，其脑地形图激活较为集中，且呈现左右脑交叉控制模式；分类准确率较低的患者，其脑地形图激活较为分散，呈现双侧半脑激活的现象，初步探索了脑电特征与解码效果之间的联系。

论文信息： Liang Chang, Banghua Yang*, Jiayang Zhang, Tie Li, Juntao Feng, and Wendong Xu*. DSTA-Net: dynamic spatio-temporal feature augmentation network for motor imagery classification.Cogn Neurodyn 19, 118 (2025).

论文链接：https://doi.org/10.1007/s11571-025-10296-0

来源：上海大学脑机工程研究中心

仅用于学术分享，若侵权请留言，即时删侵！

欢迎加入脑机接口AI星球

获取更多脑机接口+AI等领域的知识和资源。

商业合作、咨询请添加微信:RoseBCI【备注：姓名+行业/专业】。

   欢迎来稿   

1.欢迎来稿。投稿咨询，请联系微信：RoseBCI

点击投稿：脑机接口社区学术新闻投稿指南

2.加入社区成为兼职创作者，请联系微信：RoseBCI

一键三连「分享」、「点赞」和「在看」

不错过每一条脑机前沿进展