⚡ electrical engineering

Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning

该论文提出了一种结合 MiniRocket 特征提取与线性分类器的新型 MI-EEG 分类方法，其在 PhysioNet 数据集上取得了 98.63% 的准确率，性能优于 CNN-LSTM 混合深度学习模型且计算成本更低。

原作者： Jamal Hwaidi, Mohamed Chahine Ghanem

发布于 2026-02-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Jamal Hwaidi, Mohamed Chahine Ghanem

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种让电脑“读懂”人类大脑想法的新方法，特别是当我们在想象做动作（比如想象自己握紧拳头）时，大脑发出的信号。

想象一下，你的大脑是一个繁忙的指挥家，当你想动左手时，指挥家会挥动指挥棒，发出特定的音乐信号。但是，这个信号非常微弱，而且充满了杂音（就像在嘈杂的集市里听一个人说话）。

这篇论文就是为了解决“如何在嘈杂的集市里，精准地听出指挥家到底在指挥哪首曲子”这个问题。

1. 核心挑战：大脑信号的“难懂”之处

信号很弱且多变：每个人的大脑“指挥风格”都不一样，而且同一个人的信号今天和明天也可能不同。
噪音大：就像在收音机里听歌，会有静电干扰。
任务复杂：我们要区分四种不同的“想象动作”：想象左手握拳、右手握拳、双手握拳、或者双脚跳动。

2. 论文提出的两种“翻译官”

为了解决这个问题，作者设计了两个不同的“翻译官”（算法），试图把大脑的杂音翻译成电脑能懂的指令。

方案 A：MiniRocket（“极速快照大师”）

它是谁？ 这是一个非常聪明、反应极快的“快照大师”。
它怎么工作？
- 传统的深度学习像是一个慢吞吞的侦探，需要花很长时间去仔细研究每一个细节，还要不断试错（训练）。
- 而 MiniRocket 就像是一个拥有超快反应速度的摄影师。它不需要学习，而是直接拿着成千上万种预设的“滤镜”（随机卷积核）去扫描大脑信号。
- 它不需要像侦探那样去“理解”信号，而是通过快速计算，直接找出信号中那些最关键的“形状”特征（比如某个波峰是不是正的）。
- 比喻：就像你要识别一个人，侦探会去查他的出生证明、生活习惯；而 MiniRocket 是瞬间拍一张照片，通过照片里独特的痣或发型，直接认出他是谁。
结果：它快得惊人，而且准得离谱（准确率高达 98.63%）。

方案 B：CNN-LSTM 混合模型（“深度思考的专家”）

它是谁？ 这是一个由两部分组成的“超级大脑”：
- CNN（卷积神经网络）：像是一个空间侦探，擅长看大脑信号在头皮上的分布（比如左边强还是右边强）。
- LSTM（长短期记忆网络）：像是一个时间记录员，擅长记住信号随时间变化的规律（比如这个信号是先高后低，还是忽高忽低）。
它怎么工作？ 这两个专家联手，一个管“空间”，一个管“时间”，试图从复杂的信号中挖掘出最深层的规律。
结果：它也很强（准确率 98.06%），但就像那个慢吞吞的侦探，它需要更多的计算资源和时间来“思考”。

3. 实验过程：用“PhysioNet"数据集练兵

作者用了 10 个人的数据来训练和测试这两个“翻译官”。

每个人都要做 4 种想象动作（左手、右手、双手、双脚）。
电脑通过耳机（电极）记录他们大脑的微弱电流。
然后让这两个“翻译官”去猜：刚才这个人到底是在想左手，还是想双脚？

4. 最终结论：谁赢了？

冠军：MiniRocket（极速快照大师）。
为什么？ 它不仅准确率最高（98.63%），而且计算成本极低。这意味着它可以在普通的笔记本电脑甚至手机上运行，而不需要昂贵的超级计算机。
对比：那个复杂的“深度思考专家”（CNN-LSTM）虽然也很准（98.06%），但为了这点微小的差距，它消耗了更多的能量和时间。

5. 这对我们意味着什么？

这就好比以前我们要翻译外星语，需要一群专家花几天时间研究（传统深度学习）；现在，我们发明了一种瞬间翻译机（MiniRocket），只要看一眼就能 99% 准确翻译出来，而且不需要消耗太多电力。

未来的应用前景：

更便宜的脑机接口：因为算法效率高，未来的脑控设备可以做得更小、更便宜。
帮助瘫痪患者：让瘫痪的人仅靠“想象”就能控制机械臂、轮椅或电脑光标，而且反应速度更快。
实时控制：因为计算快，系统可以实时响应你的想法，没有延迟。

一句话总结：
这篇论文发现，与其让电脑像学生一样苦思冥想去“学习”大脑信号，不如给它一套超高效的“特征扫描工具”（MiniRocket），这样既能又快又准地读懂你的想法，还能省下一大笔电费。

这是一份关于论文《Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning》（基于最小随机卷积核变换和混合深度学习的运动想象 EEG 信号分类）的详细技术总结。

1. 研究背景与问题 (Problem)

脑机接口 (BCI) 提供了一种非肌肉通道，使人类大脑能与外部设备直接通信。运动想象 (Motor Imagery, MI) 是 BCI 中常用的任务，通过想象肢体运动来产生特定的脑电 (EEG) 信号。
然而，MI-EEG 信号分类面临以下主要挑战：

信号特性复杂：EEG 信号具有非平稳性 (nonstationarity)、时变性 (time-variance) 和个体差异性 (individual diversity)。
分类难度大：随着分类类别的增加（如左手、右手、双脚等）以及个体间的自然变异，获得高分类准确率非常困难。
现有方法的局限：传统机器学习依赖人工特征提取，可能忽略时间特征；而现有的深度学习方法虽然强大，但往往计算成本高，且在小样本数据上容易过拟合或难以训练。

2. 方法论 (Methodology)

本文提出了一种结合最小随机卷积核变换 (MiniRocket) 和 混合深度学习模型 (CNN-LSTM) 的框架，并在 PhysioNet 数据集上进行了验证。

2.1 数据预处理

数据集：使用 PhysioNet 上的 EEG Motor Movement/Imagination Dataset (eegmmidb)，包含 109 名受试者的数据，本文选取了其中 10 名受试者（S1-S10）的数据。
任务：四种运动想象任务：左手 (L)、右手 (R)、双手 (BLR)、双脚 (BF)。
预处理步骤：
1. 重采样：将数据重采样至 128 Hz。
2. 频带分离：利用独立成分分析 (ICA) 分离出 $\mu$ (8-14 Hz) 和 $\beta$ (14-30 Hz) 频段，这两个频段包含最具判别力的 MI 特征。
3. 分段：去除试次前的静息期，保留 4 秒的任务执行期数据。
4. 参考：使用公共参考 (Common Reference) 对数据进行平均。

2.2 方法一：MiniRocket 特征提取 + 线性分类器

核心思想：MiniRocket 是 ROCKET 算法的改进版，旨在降低计算复杂度同时保持高精度。
机制：
- 使用 10,000 个随机卷积核（随机长度、权重、偏置、膨胀率等）对时间序列进行卷积。
- 仅提取正比例值 (PPV, Proportion of Positive Values) 作为特征，而非最大值。
- 优势：权重是固定的（非学习参数），极大地降低了计算成本，且通过大量随机核覆盖了广泛的特征空间。
分类器：提取的特征直接输入到岭回归 (Ridge Classifier) 线性分类器中进行分类。

2.3 方法二：混合深度学习模型 (CNN-LSTM)

架构设计：为了同时捕捉 EEG 信号的空间特征和时间特征，构建了一个混合神经网络。
网络结构 (共 13 层)：
1. 输入层：接收预处理后的 EEG 信号。
2. 卷积层 (CNN)：包含两个 1D 卷积层 (Conv1D)，分别使用 16 和 32 个滤波器，用于提取局部空间特征。
3. 池化与 Dropout：包含最大池化层和多个 Dropout 层 (比率 0.5 和 0.25) 以防止过拟合。
4. 展平层 (Flatten)：将特征图展平。
5. LSTM 层：包含 100 个单元的 LSTM 层，用于捕捉长短期时间依赖关系。
6. 全连接层 (Dense)：包含多个全连接层，使用 ReLU 激活函数。
7. 输出层：使用 Sigmoid 激活函数进行 4 分类。
训练策略：使用 Adam 优化器，学习率 $1 \times 10^{-5}$ ，配合 L2 正则化和 Dropout。

3. 主要贡献 (Key Contributions)

特征分离策略：利用 ICA 技术专门分离 $\mu$ 和 $\beta$ 频段作为分割目标，去除了其他频率的干扰。
引入 MiniRocket：首次将 MiniRocket 应用于 MI-EEG 分类。该方法在保留关键特征信息的同时，显著减少了数据量和计算复杂度，实现了比传统深度学习更高的效率。
混合模型基准：提出并验证了一个 CNN-LSTM 混合模型作为基准，该模型结合了 CNN 的空间特征提取能力和 LSTM 的时间序列建模能力。
性能对比：证明了在计算成本更低的情况下，基于 MiniRocket 的线性分类器在准确率上优于复杂的深度混合模型。

4. 实验结果 (Results)

实验在 PhysioNet 数据集的 10 名受试者上进行，采用 10 折交叉验证。

分类准确率：
- MiniRocket + 岭回归：平均准确率达到 98.63%。
- CNN-LSTM 混合模型：平均准确率达到 98.06%。
- 对比：MiniRocket 方法不仅准确率略高，而且计算成本远低于深度学习模型。
个体表现：
- MiniRocket 在受试者 S8 上表现最佳，四项任务准确率分别为 99.44%, 95.78%, 99.65%, 99.45%。
- CNN-LSTM 在 S8 上同样表现最好，但 S10 表现相对较弱。
混淆矩阵与 ROC：
- 混淆矩阵显示，左手和双脚的运动想象任务区分度最高。
- ROC 曲线表明模型性能显著优于随机分类器。
文献对比：
- 与之前使用 PhysioNet 数据集的研究相比（如 Alomari et al. 的 74.90%，Hou et al. 的 94.64% 等），本文提出的两种方法均取得了最高的准确率（98.63% 和 98.06%）。

5. 意义与结论 (Significance & Conclusion)

高效性：本文证明了对于 MI-EEG 分类，MiniRocket 这种基于随机卷积核的线性方法，在保持极高准确率的同时，比复杂的深度神经网络（如 CNN-LSTM）具有更高的计算效率。这对于实时 BCI 系统至关重要。
特征提取的新视角：研究展示了无需复杂的端到端深度学习训练，通过高效的特征提取（PPV）配合简单的线性分类器，也能解决非平稳、高噪声的 EEG 信号分类问题。
未来展望：虽然离线实验结果优异，但下一步工作将包括设计数据采集实验、适应不同的实验范式以及进行在线 (Online) 实时实验验证。

总结：该论文通过引入 MiniRocket 算法，成功解决了 MI-EEG 分类中计算复杂度高和准确率难以提升的矛盾，提供了一种既快速又精准的解决方案，为 BCI 系统的实际应用奠定了坚实基础。