多尺度卷积变压器网络用于运动图像的大脑-计算机接口
Wei Zhao1, Baocan Zhang1, Haifeng Zhou2
1Chengyi College, Jimei University, Xiamen, 361021, China.
Scientific reports
|April 15, 2025
概括
新的多尺度卷积变压器 (MSCFormer) 模型通过有效解码脑电图 (EEG) 信号来提高脑电脑接口 (BCI) 的准确性,优于现有的运动成像任务的方法.
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:
- 大脑-计算机接口 (BCI) 系统将神经信号转化为外部设备的命令.
- 卷积神经网络 (CNN) 用于解码运动图像电脑学 (MI-EEG) 信号.
- 现有的CNN方法与个体EEG变异性和有限的受体场扎.
研究的目的:
- 引入多尺度卷积变压器 (MSCFormer) 模型,以改善BCI中的EEG信号解码.
- 解决传统CNN中个体变异性和特征提取的局限性.
- 提高基于EEG的BCI的准确性和稳定性.
主要方法:
- 开发了MSCFormer,集成多尺度CNN分支来进行特征提取,以及用于全球依赖性捕获的变压器模块.
- 利用多分支CNN来减轻个体EEG信号的变化,并提高概括性.
- 采用了变压器编码器,以提高全球功能集成和解码性能.
主要成果:
- 在BCI IV-2a数据集上,MSCFormer实现了82.95%的准确性,在BCI IV-2b数据集上达到88.00%.
- 通过五次交叉验证,卡帕值为0.7726 (BCI IV-2a) 和0.7599 (BCI IV-2b).
- 该模型在解码准确性和稳定性方面超过了几种最先进的方法.
结论:
- 在基于EEG的BCI应用中,MSCFormer表现出卓越的性能.
- 该模型的架构有效地处理了个别的EEG变化,并集成了多个尺度的特征.
- MSCFormer显示了推动BCI技术和应用的巨大潜力.
