双TSST:用于EEG解码的双分支时间光谱空间变压器模型

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:

• 电脑电图 (EEG) 信号解码对于人机交互至关重要.
• 从多通道EEG数据中提取全面的特征仍然是一个挑战.

研究的目的:

• 提出一个新的双TSST网络,用于有效的EEG信号解码.
• 增强从EEG数据中提取时间空间和时间光谱空间特征.

主要方法:

• 利用卷积神经网络 (CNN) 在双分支架构中用于特征提取.
• 在时间频域分析中使用波形变换.
• 使用融合块集成功能,并用变压器捕获远程依赖.

主要成果:

• 实现了高的EEG分类准确度: 82.79% (BCI IV 2a),89.38% (BCI IV 2b) 和96.65% (SEED). 在此过程中,电脑电脑电脑电脑电脑电脑电脑电脑电脑电脑电脑电脑电脑.
• 与十多种最先进的方法相比,证明了卓越的性能.
• 废弃性研究证实了每个模块对增强解码性能的贡献.

结论:

• 拟议的双TSST网络为高性能EEG解码提供了一种新方法.
• 该方法显示了未来基于转换器的卷积神经网络 (CNN) 应用在人机交互中的巨大潜力.