摘要
目标。脑-机接口（BCI）通过解码神经活动中的信息，并将其传输至外部设备，实现人机交互。采用深度学习方法进行解码，能够在特定解码任务中实现自动特征工程。对网络参数进行生理学上合理的解释，不仅增强了所学习决策规则的鲁棒性，更开辟了自动知识发现的广阔前景。方法。我们提出了一种紧凑的卷积神经网络（CNN）架构，用于自适应解码皮层脑电图（ECoG）数据以重建手指运动学信息。同时，我们提出了一种新的、具有理论依据的方法，用于解释融合了时空自适应特性的网络结构中的空间与时间权重。通过拟合适当的时空模型与动力学模型，所获得的空间分布模式与频谱特征能够有效揭示在特定解码任务中起关键作用的神经元群体的活动规律。主要成果。我们首先在真实的蒙特卡洛模拟中验证了该方法的有效性。随后，将该架构应用于柏林BCI竞赛第四届数据集中的ECoG数据，其性能与竞赛优胜者相当，且无需进行显式的特征工程。利用所提出的网络权重解释方法，我们成功揭示了从ECoG数据中实现手指运动学精准解码所依赖的神经活动在空间分布与频谱特性上的关键模式。此外，我们将整个分析流程进一步应用于一个32通道的EEG运动想象数据集，结果亦呈现出与任务高度相关的、具有生理学合理性的神经活动模式。意义。我们提出了一种基于神经电生理学基本原理构建的紧凑且可解释的CNN架构，首次在具有因子分解式时空处理结构的多分支网络中，提出了具有理论基础的权重解释规则。通过模拟数据与真实数据的验证，我们证明了该方法不仅能实现高性能的解码，还可作为研究运动控制神经机制的重要工具，为脑-机接口的可解释性与神经科学发现提供了新的技术路径。