用于分类任务的脑信号解码的简单通道压缩方法

在脑机接口（BCI）应用中，尽管追求精准的脑信号解码，我们也需要考虑 BCI 设备的计算效率。ECoG 信号是由高密度电极阵列在高采样频率下收集的多通道时序信号。不同通道之间在时域中具有高度相似性或冗余性。数据冗余不仅会降低模型的计算效率，还会使有效特征提取受挤压，从而导致性能下降。如何高效地利用 ECoG 多通道信号是当前的研究热点。有效的通道筛选或压缩可显著降低模型规模，从而提升计算效率，这是一个解决问题的有力途径。基于前期工作 [1]，本文提出一种非常简单的数据通道压缩方法，该方法使用可学习矩阵对原始通道进行矩阵乘法，即为通道分配权重后进行线性求和。这有效地减少了最终通道的数量。在实验中，我们使用我们实验室拥有的基于视觉的 ECoG 多分类数据集来测试所提出的通道选择（压缩）方法。我们发现，该方法可将原始 128 通道的 ECoG 信号压缩至 32 通道（其中一受试者压缩至 8 通道），显著降低了模型规模。在两个受试者分别方面，模型训练期间对 GPU 内存资源的需求分别降低约 68.57%、84.33%；模型训练速度也分别提升了约 3.82 倍、4.65 倍。更重要的是，模型性能相比前期工作提高了约 1.10%，达到我们独特视觉基于 ECoG 数据集的 SOTA 水平。