频率感知时空注意力可解释网络用于EEG解码

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:

• 在空间和时间领域的表示学习已经为大脑计算机接口 (BCI) 进行了先进的脑电图 (EEG) 解码.
• 对于神经机制至关重要的频率信息的重要性在以前的EEG解码模型中基本上没有得到充分利用.
• 现有的方法往往忽视了EEG信号中固有的频率,空间和时间数据的协同整合.

研究的目的:

• 提出FSTNet,一种新的神经网络架构,可以协同集成频率,空间和时间域,以增强EEG解码.
• 从宽带EEG信号中自适应地学习信息频率符号,强调频率信息的重要性.
• 通过捕获歧视性神经特征来提高EEG解码的准确性和透明度.

主要方法:

• FSTNet使用宽带EEG信号作为输入,通过自适应学习信息频率符号.
• 一个频率感知模块为频率空间中的潜在表示赋予选择性权重,突出显示频率信息.
• 用自我注意机制来捕捉空间和时间的依赖性,提取分辨特征来解码.

主要成果:

• 在SEED,PhysioNet和OpenBMI数据集中,FSTNet在运动图像和情绪识别任务中取得了卓越的结果.
• 该模型在个人和跨主题EEG解码场景中表现出强的表现.
• 视觉化证实,FSTNet捕获特定任务的频率范围和空间模式,与生理机制保持一致.

结论:

• 拟议的FSTNet通过协同利用频率,空间和时间信息,有效地解码EEG信号.
• 该方法通过可视化捕获的频率和空间模式来提高学习过程的透明度.
• FSTNet显示了促进EEG解码和加深对神经过程的理解的巨大潜力.