基于小波变换与CNN的脑电信号分类实践

1. 项目概述

脑电信号分类一直是神经科学和机器学习交叉领域的热点研究方向。最近我在一个脑机接口项目中尝试了基于小波变换和卷积神经网络的运动想象信号分类方案，取得了不错的效果。这个方案的核心在于如何从复杂的脑电信号中提取有效的特征，特别是针对运动想象任务中特有的ERD/ERS现象。

运动想象脑电信号有几个显著特点：首先，信号非常微弱，通常在微伏级别；其次，噪声干扰严重，包括眼电、肌电等生理噪声和50Hz工频干扰；最重要的是，运动想象引发的脑电变化具有特定的时空模式。比如想象左手运动时，右侧运动皮层（C4位置）会出现8-12Hz节律的功率降低（ERD），而同侧（C3位置）可能出现功率增强（ERS）。

2. 信号预处理关键技术

2.1 空间滤波器的选择与实现

在脑电信号处理中，空间滤波器的作用就像是一个"信号提纯器"。我们常用的有两种：CAR（共同平均参考）和拉普拉斯滤波器。

CAR的原理很简单：假设所有电极都记录到了相似的背景噪声，那么用单个电极信号减去所有电极的平均值，就能突出该电极的局部活动。Python实现如下：

python复制import numpy as np

def car_filter(signals):
    """
    CAR滤波器实现
    :param signals: 电极信号矩阵，形状为(n_channels, n_samples)
    :return: CAR处理后的信号
    """
    avg_ref = np.mean(signals, axis=0)
    return signals - avg_ref

但在实际项目中我发现，当某些电极接触不良时，CAR会把坏导联的噪声扩散到其他通道。这时就需要先进行坏导联检测和插值修复。

拉普拉斯滤波器则是更"局部化"的处理方式。它只使用目标电极周围几个邻近电极的平均值作为参考。比如对于国际10-20系统的C3电极，它的邻近电极可能是FC3、CP3、C1和C5。实现代码：

python复制def laplacian_filter(signal, neighbors):
    """
    拉普拉斯滤波器实现
    :param signal: 目标电极信号
    :param neighbors: 邻近电极信号列表
    :return: 滤波后信号
    """
    neighbor_avg = np.mean(neighbors, axis=0)
    return signal - neighbor_avg

2.2 频带选择与特征提取

运动想象相关的脑电变化主要集中在μ节律（8-12Hz）和β节律（13-30Hz）。我通常使用Morlet小波变换来提取这些频带的时频特征：

python复制import pywt

def wavelet_transform(signal, fs=250, freqs=np.arange(8,31,2)):
    """
    Morlet小波变换实现
    :param signal: 输入信号
    :param fs: 采样率
    :param freqs: 分析频率列表
    :return: 时频能量矩阵
    """
    coefficients, _ = pywt.cwt(signal, freqs, 'morl', 1/fs)
    return np.abs(coefficients)**2  # 返回能量

在实际应用中，我发现对每个试次进行基线校正（减去静息期的平均能量）能显著提高ERD/ERS检测的准确性。

3. 卷积神经网络架构设计

3.1 输入数据组织

脑电数据具有明显的时空特性，因此我将数据组织为三维张量：（通道×时间×频率）。例如，使用30个电极、3秒数据（750采样点）和10个频带时，输入形状就是30×750×10。

3.2 网络结构细节

我设计的CNN包含以下几个关键层：

1. 空间卷积层：使用1×1卷积核学习电极间的空间关系
2. 时间卷积层：使用较长的卷积核（如1×100）捕捉时域特征
3. 频域卷积层：在频率维度进行特征整合
4. 注意力机制：加入CBAM模块增强关键特征的权重

典型实现如下：

python复制import torch
import torch.nn as nn

class EEGNet(nn.Module):
    def __init__(self, n_channels=30, n_classes=4):
        super().__init__()
        self.spatial = nn.Conv2d(1, 16, (1, n_channels))
        self.temporal = nn.Conv2d(16, 32, (1, 100), padding=(0, 50))
        self.freq = nn.Conv2d(32, 64, (10, 1))
        self.attention = CBAM(64)
        self.classifier = nn.Linear(64, n_classes)
    
    def forward(self, x):
        x = self.spatial(x)
        x = self.temporal(x)
        x = self.freq(x)
        x = self.attention(x)
        x = x.mean(dim=[2,3])  # 全局平均池化
        return self.classifier(x)

4. 实战经验与调优技巧

4.1 数据增强策略

脑电数据通常样本量有限，我采用了以下几种数据增强方法：

• 随机时间裁剪（±100ms）
• 添加高斯噪声（SNR=20dB）
• 通道随机丢失（模拟电极接触不良）
• 频带随机缩放（模拟个体差异）

4.2 模型训练技巧

1. 学习率调度：使用余弦退火配合热启动
2. 损失函数：标签平滑交叉熵（Label Smoothing）
3. 正则化：DropPath和频谱归一化效果最好
4. 早停策略：基于验证集Kappa系数

4.3 常见问题排查

问题1：验证集准确率波动大
解决方案：检查数据划分是否泄漏了被试信息，确保训练/验证集来自不同session

问题2：模型对某些类别预测偏差大
解决方案：尝试类别加权损失或过采样少数类

问题3：推理时性能下降
解决方案：确认预处理流程一致，特别注意滤波器的初始状态

5. 实际应用效果

在BCI Competition IV 2a数据集上，这个方案的分类准确率达到了78.3%（四分类），比传统方法提高了约15%。特别是在区分左手和右手运动想象时，准确率可达85%以上。

对于实时系统，我将模型转换为TensorRT格式，在Jetson Xavier上实现了<50ms的延迟，完全满足实时交互需求。一个有趣的应用案例是，我们用它来控制机械臂完成抓取动作，平均完成时间比传统SSVEP界面快了40%。

这个方案最大的优势在于它对个体差异的鲁棒性。通过少量校准数据（约5分钟）进行微调后，对新用户的平均识别率能保持在70%以上。