MSHANet：運動イメージEEGデコーディングのためのマルチスケールハイブリッドアテンションネットワーク

科学分野:

• 神経科学
• 生体医工学
• 機械学習

背景:

• ブレイン・コンピューター・インターフェース（BCI）技術は、脳卒中や脊髄損傷患者の神経リハビリテーションと運動機能回復にとって重要です。
• 運動イメージ脳波（MI-EEG）は主要なBCIモダリティですが、そのデコーディング精度は非線形ダイナミクスと被験者間変動によって妨げられます。
• 既存のBCI手法は、複雑な時空間EEGパターンを効果的に捉えるのに苦労しています。

研究 の 目的:

• 新しいマルチスケールハイブリッドアテンションネットワーク（MSHANet）を提案し、MI-EEGデコーディングを強化します。
• 神経リハビリテーションアプリケーションのためのBCIシステムの精度と堅牢性を向上させます。
• 電極配置情報を活用するために、電極空間構造認識エンコーダーを導入します。

主な方法:

• 時空間特徴抽出（STFE）、トーキングヘッド自己注意（THSA）、動的squeeze-and-excitation注意（DSEA）、および時間畳み込みネットワーク（TCN）を統合したMSHANetを開発しました。
• 電極位置データを処理するために、電極空間構造認識エンコーダーを組み込みました。
• 被験者内および被験者間の実験デザインを使用して、BCIコンペティションIVデータセット2aおよび2b、およびEEGMMIDでMSHANetを評価しました。

主要な成果:

• MSHANetは高いデコーディング精度を達成しました：83.56％（被験者内、BCI-2a）、89.75％（被験者内、BCI-2b）、および75.66％（被験者内、EEGMMID）。
• 被験者間実験では、精度は69.93％（BCI-2a）、81.85％（BCI-2b）、および79.67％（EEGMMID）でした。
• 電極空間構造認識エンコーダーは、デコーディングパフォーマンスを最大2.91％向上させました。

結論:

• MSHANetは、MI-EEGデコーディングにおいて既存の手法を上回る優れたパフォーマンスを示しています。
• 提案されたネットワークは、神経リハビリテーションと運動機能再構築における臨床アプリケーションに大きな可能性を秘めています。
• 空間電極情報の統合は、BCIモデルの効果を高めます。