MSHANet:一个多尺度的残余网络,用于运动图像EEG解码的混合注意力
Mengfan Li1,2,3, Jundi Li1,2,3, Xiao Zheng2,3,4
1State Key Laboratory of Reliability and Intelligence of Electrical Equipment, School of Health Science and Biomedical Engineering, Hebei University of Technology, Tianjin, China.
Cognitive neurodynamics
|December 23, 2024
概括
这项研究介绍了MSHANet,这是一个新的深度学习模型,用于强大的运动图像大脑计算机接口解码. 它在不同会话中解码时间变化的EEG信号时实现了卓越的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 运动图像大脑计算机接口 (MI-BCI) 对辅助技术至关重要.
- 深度学习模型显示了自动EEG特征提取和端到端解码的前景.
- 目前的深度学习方法在不同会话的时间变量EEG数据上难以保持稳定的性能.
研究的目的:
- 提出一种新的深度学习架构,MSHANet,用于从EEG信号中强大的解码四个运动图像类.
- 为了应对跨会话的时间变量EEG解码中稳定性能的挑战.
主要方法:
- 开发了一个具有混合注意力的多规模残留网络 (MSHANet).
- 集成的多头注意力和挤压和激发注意力,用于集中EEG特征分析.
- 利用了具有参数共享的多尺度剩余块,用于丰富和共同的特征提取.
主要成果:
- 在BCI竞争IV 2a数据集上,MSHANet取得了最高的准确性.
- 对于特定会话任务的准确率为83.18%,对于跨会话任务的准确率为80.09%.
- 在EEG解码中超越了七种最先进的方法.
结论:
- 拟议的MSHANet可稳定地解码时间变化的EEG信号.
- MSHANet为机动图像解码提供了更好的稳定性和准确性,减少了MI-BCI应用程序的时间成本.
- 这种方法有利于MI-BCI的长期可用性.
