科技前沿资讯，近期上海海事大学信息工程学院曹磊副教授团队首次提出了一种适用于物联网环境的双向通道注意力与互交叉注意力时序特征提取网络（Bi-ACTCNet），用于解决脑机接口（BCI）在单类运动想象任务中“运动-静息”分类研究不足的问题。通过在三个公开数据集上的实验验证，Bi-ACTCNet在“运动-静息”分类任务中显著优于现有模型；进一步在BCI Competition IV-2a数据集上的分类实验也取得了优异性能，消融研究充分证实了各核心模块的有效性，为BCI与物联网融合下的精准运动康复应用提供了新思路与技术支撑。
Bi-ACTCNet: A Bidirectional Channel Attention and Mutual-Cross-Attention Temporal Feature Extraction Network for Motor-Rest Classification in Motor Imagery
研究背景
脑机接口（BCI）技术通过建立大脑与外部设备的直接通信通路，在运动康复、人机交互及神经系统疾病治疗等领域展现出巨大潜力。其中，基于脑电图（EEG）的运动想象（MI）范式因其非侵入性和良好临床适用性，成为康复BCI研究的核心方向。现有工作多聚焦于多类肢体动作（如手、脚、舌）的识别，而针对单一动作下“运动-静息”状态分类的研究相对匮乏，制约了BCI在特定功能障碍患者精准康复中的应用。事实上，许多患者仅存在某一种动作能力损伤，面向单任务的“运动-静息”分类更具临床针对性，也对解码精度提出更高要求，但现有方法针对性普遍偏低，难以满足实际需求。
为此，本文提出Bi-ACTCNet模型，通过双向时序特征提取、高效时序通道注意力（ETCA）机制与互交叉注意力（MCA）融合策略，显著提升“运动-静息”分类性能。该模型在多个公开数据集上表现优异，并在BCI Competition IV-2a二分类任务中取得领先结果，验证了其有效性与泛化能力，为面向物联网环境的高精度、轻量化运动康复BCI系统提供了关键技术支撑。
图 1： Bi-ACTCNet 框架的概述。 Bi-ACTCNet 主要包含三部分：双向时序特征提取模块（BiE）、基于通道注意力的卷积模块（ACNN）和基于互交叉注意力的时间卷积融合模块（MCA）。
01
研究方法
研究团队提出了双向通道注意力与互交叉注意力时序特征提取网络（Bi-ACTCNet），该模型主要包含三个核心模块：双向时序特征提取（BiE）块、注意力通道卷积（ACNN）块和互交叉注意力时序卷积网络（MCA TCN）块。
具体而言，针对运动想象任务中“运动-静息”状态分类精度不足的问题，首先通过BiE块对原始EEG信号进行时间维度反转，构建前向与后向双分支输入结构，分别提取正向和反向时序特征，以充分挖掘EEG信号中的双向动态信息。随后，两个分支的信号分别送入ACNN块，该模块在EEGNet架构基础上引入高效时序通道注意力（ETCA）机制，通过堆叠扩张卷积增强通道间的交互能力，从而提升特征判别性。最后，双分支输出的特征被送入MCA TCN块：先利用互交叉注意力（MCA）机制实现双向特征的深度融合，再通过时序卷积网络（TCN）进行高阶时序建模，最终经全连接层与Softmax分类器输出“运动”或“静息”的预测结果。
为优化模型性能，设计中特别强调时序信息的双向利用与通道注意力的精细化建模。实验表明，反向时序信号蕴含有助于分类的补充特征，而ETCA模块显著扩展了通道注意力的感受野，MCA则有效促进了双分支特征的一致性融合。该方法在多个公开数据集上均取得领先性能，验证了其在单任务MI解码中的有效性与泛化能力。
02
研究结果分析
在数据集Motor Attempt or Resting State Dataset、BCI Competition IV Dataset 1、Physionet Dataset和BCI Competition IV 2a Dataset上的分类结果
Bi-ACTCNet在四个公开数据集上均展现出优异且稳定的分类性能。无论是在专门针对“运动-静息”任务的多个数据集，还是在广泛使用的“运动-运动”基准数据集（BCI Competition IV-2a）上，该模型均优于或媲美当前主流方法。Bi-ACTCNet在不同任务类型和数据分布下均保持高水平表现，显示出强大的泛化能力和任务适应性，充分验证了其结构设计的有效性与鲁棒性。
消融实验分析
研究人员在数据集BCI Competition IV Dataset 1上探讨了Bi-ACTCNet各个组件对模型性能的影响。
可视化分析
图 7： 数据集1的热力图包含了静息任务样本和运动任务样本，展示了信号经过ACNN模块处理后，在第30、300和500轮训练时序特征的激活值。
图7展示了BiE模块两个分支经ACNN处理后的特征激活热力图，选取测试集中一个静息任务和一个运动任务样本，在第30、300和500轮训练时进行可视化。随着训练推进，激活值逐渐趋于稳定，尤其在300至500轮间变化微弱，表明模型已收敛；同时注意力机制日益精细，反映出模型性能持续提升。更重要的是，两个分支的特征呈现显著差异，尤其在运动任务中变异性更强，这源于其更复杂的脑活动所导致的正反向时序信号差异。结合消融实验结果，该差异对分类精度具有关键贡献，进一步验证了反向时序信息蕴含有效判别特征，证实BiE模块能有效增强特征提取能力。
模型参数分析
Bi-ACTCNet模型在参数量方面具有显著优势，仅为8,238，远低于当前主流的MI解码模型。如此低的参数量大幅降低了计算资源需求和内存占用，使其非常适合部署在资源受限的物联网（IoT）边缘设备上。在面向运动康复的IoT应用场景中，轻量化的Bi-ACTCNet能够实现本地化实时推理，减少对云端依赖，提升系统响应速度与隐私安全性，为构建高效、低功耗、可穿戴的脑机接口康复系统提供了关键支撑。
03
结论
本研究提出了一种面向运动想象“运动-静息”分类任务的新型Bi-ACTCNet模型。该模型主要由三个模块组成：BiE模块通过对原始EEG信号进行时间反转，实现双向时序特征提取；ACNN模块结合卷积神经网络与高效时序通道注意力（ETCA）机制，有效捕获时频与空间信息；MCA模块则融合双向分支的特征，挖掘其互补关系，并将融合后的特征输入TCNet模块以进一步提取高阶时序特征。我们在四个数据集上验证了所提方法，取得了优异的性能。消融实验充分证实了各模块的有效性，特别是针对BiE模块，我们通过热力图直观展示了其对特征提取过程的影响。参数对比与t-SNE可视化分析也进一步凸显了本模型的优越性。总体而言，本研究不仅验证了Bi-ACTCNet在“运动-静息”分类任务中的高效性，也为相关领域的后续研究提供了新思路与方法支撑。
该论文由上海海事大学信息工程学院曹磊副教授担任第一作者，上海海事大学信息工程学院研究生蔡祥瑞为通讯作者，上海海事大学为第一作者单位和通讯单位。成果发表国际顶级期刊IEEE Internet of Things Journal。
