SMANet:一个结合SincNet,多分支空间时间CNN和运动图像BCI注意力机制的模型

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 解码脑电脑接口 (BCI) 的运动图像 (MI) 任务是具有挑战性的,因为个体的变化和低的EEG信号与噪声比.
• 准确的MI解码对于开发有效的BCI应用程序至关重要.

研究的目的:

• 提出一个端到端的深度学习模型,Sinc-多分支机构注意网络 (SMANet),用于增强MI-BCI分类.
• 为了解决个人差异和低信号对噪声比在BCI应用程序的EEG信号的挑战.

主要方法:

• SMANet集成了SincNet用于带通波,多分支空间时间卷积神经网络 (MBSTCNN)用于特征学习,以及注意力机制 (ECA)用于特征校准.
• 使用交叉和中心损失的多目标优化方案增强了歧视性特征.
• 该模型处理来自EEG信号的空间-光谱-时间信息.

主要成果:

• SMANet实现了高平均准确率:BCI竞争IV 2a (4级) 的80.21%,BCI竞争IV 2b (2级) 的84.02%,OpenBMI (2级) 的72.70%.
• 这些结果超过了MI-BCI分类中的当前最先进的方法.
• 该模型有效地解码了空间-光谱-时间EEG特征.

结论:

• 与现有方法相比,SMANet在MI-BCI分类中表现出优越的性能.
• 拟议的深度学习架构有效地增强了用于BCI应用程序的EEG信号解码.
• SMANet提供了一种有希望的方法来提高基于运动图像的BCI的准确性和可靠性.