【论文阅读】基于注意力机制的冥想脑电分类识别研究（2025）
基于注意力机制的冥想脑电分类识别研究
💡 Meta Data
| Title | 基于注意力机制的冥想脑电分类识别研究 |
|---|---|
| Authors | 周梓涵 |
| Pub. date | 2025 |
📜 Research Background & Objective
背景：
现代生活压力导致心理问题日益突出，冥想作为一种有效的心理调节方式受到关注。脑电（EEG）信号能直接反映大脑活动，为客观评估冥想状态提供了可能。然而，冥想EEG研究面临两大挑战：
- 个体差异大：不同人冥想时脑电信号差异显著，导致模型难以跨个体通用。
- 频域特征判别力不足：冥想相关的脑电节律（如 α/θ 波）易受噪声影响，难以有效区分不同状态。
目标：
本研究旨在通过应用跨被试域适应技术来解决上述挑战，特别是引入Global Adaptive Transformer (GAT) 模型进行冥想EEG分类，从而验证GAT在冥想任务中的有效性，并探索时空卷积与频域注意力结合的新方法。与此同时，利用对抗学习和动态特征对齐策略，减少模型对目标被试数据的依赖，提升小样本场景下的分类鲁棒性。
📊 Research Core
⚙️ Content
本文主要围绕Global Adaptive Transformer (GAT)模型展开研究，旨在解决冥想脑电分类中的域适应挑战，并实现跨数据集迁移 。研究内容包括：
- GAT模型复现与性能验证：在BCI Competition IV 2a数据集上复现GAT的并行时空卷积与注意力适配器架构，并验证其性能 。
- 跨数据集迁移研究：将GAT模型迁移至自建冥想脑电数据集，并结合ICA-ADJUST联合去噪与频域特征强化策略进行优化 。
💡 Innovations
本文的创新点主要体现在将Global Adaptive Transformer（GAT）模型应用于冥想脑电分类的域适应问题，并结合特定的预处理和特征强化策略 。
🧩 Shortcomings
本研究仍存在以下局限性：
- 模型性能差异：GAT模型复现结果与原论文有细微差距，可能需优化超参数或架构。
- 泛化能力待提高：训练集和验证集准确率差距提示模型可能已达当前架构上限，泛化能力仍有提升空间。
- 对冥想EEG特性优化不足：尽管表现良好，但对冥想脑电特有的低信噪比和节律特性（如 α/θ 波节律波动）的针对性优化还不够。
- 单一模态限制：目前仅使用脑电信号，未来可考虑融合心率变异性（HRV）、皮肤电反应（GSR）等其他生理信号。
🔬 Experiment
本研究在两个脑电数据集上进行了实验评估：
-
BCI Competition IV 2a 数据集
- 内容：包含9名健康被试的4类运动想象任务数据。
- 预处理：进行带通滤波和Z分数标准化。
- 结果：GAT模型复现后，平均分类准确率达到73.72%，与原论文结果相近，且训练过程稳定收敛。
-
冥想脑电数据集 (自建非公开数据集)
- 内容：包含21名被试在闲坐、散步、打坐和行禅四种状态下的脑电数据。
- 预处理：采用MATLAB及EEGLAB工具包，进行带通滤波、重参考，并通过ICA-ADJUST联合去噪。
- 结果：GAT模型迁移应用后，模型平均准确率达到91.72%，且损失函数收敛快，验证准确率稳定性显著提升，主要得益于高效的去噪策略。
🚩 Research Conclusions
本研究主要结论如下：
- GAT模型有效：成功复现GAT模型，并在标准运动想象数据集上表现良好，验证了其在跨被试脑电分类中的有效性。
- GAT在冥想脑电中的可迁移性：GAT模型在结合去噪和频域特征强化后，成功迁移到冥想脑电数据集，并取得了高准确率（91.72%）。
- 提升跨被试泛化能力：通过对抗学习和动态特征对齐，显著减少了模型对特定被试数据的依赖，提高了在小样本情况下的分类鲁棒性。
🤔 Personal Summary
📌 Thoughts
这篇论文成功将GAT模型应用于冥想脑电分类，有效解决了脑电信号个体差异大的难题。我特别欣赏论文中数据去噪（ICA-ADJUST）和频域特征强化（强调 α 和 θ 波）的策略，这些都体现了对脑电信号和冥想特性的深刻理解。论文也坦诚指出了现有局限，为未来的研究指明了方向。
🔆 Key Concepts
- 注意力机制 (Attention Mechanism): 让模型聚焦重要信息，增强特征表示。
- 域适应 (Domain Adaptation): 解决不同数据集间数据分布差异的技术，让模型更好地跨个体通用。
- 跨被试分类 (Cross-subject Classification): 模型在一个群体上训练，应用于另一个未参与训练的群体进行分类。
- Global Adaptive Transformer (GAT): 一种结合注意力机制和对抗学习的脑电分类框架，用于实现跨被试的特征对齐。
- ICA-ADJUST联合去噪: 自动去除脑电信号中的伪迹（如眼动、肌电）的方法。