一个基于变压器的网络,用于运动图像的二级聚合,以对EEG分类进行分类
Jing Jin1,2, Wei Liang1, Ren Xu3
1Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science and Technology, Shanghai 200237, People's Republic of China.
Journal of neural engineering
|July 2, 2025
概括
一个新的深度学习模型SectNet通过分析电脑电图 (EEG) 信号来提高脑电脑接口 (BCI) 的性能. 这种方法提高了运动图像的解码精度,并且在有限的数据中显示出强大的概括性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 信号对于解码运动意图至关重要.
- 基于运动图像 (MI) 的脑计算机接口 (BCI) 正在在神经信息学中获得吸引力.
- 现有的EEG解码深度学习模型往往忽略了高阶的统计依赖关系.
研究的目的:
- 引入SectNet,这是一个用于EEG解码的新型神经网络,它集成了转移注意力和二次聚合.
- 通过捕获复杂的EEG数据结构来解决当前深度学习模型的局限性.
- 提高MI-BCI系统的准确性和通用性.
主要方法:
- SecTNet使用多尺度的时空卷积模块来进行特征提取.
- 一个转移注意力机制适应性地模拟通道间的依赖关系.
- 二阶聚合捕捉了使用SPD矩阵上的里曼几何学的高阶统计相关性.
主要成果:
- SecTNet在BCI竞争IV 2a数据集上实现了86.88%的准确性.
- 该模型在OpenBMI数据集上达到74.99%的准确性.
- SecTNet表现出强大的概括性,在使用50%较少的培训数据的情况下保持性能.
结论:
- SecTNet为EEG解码提供了一个强大的和可通用的框架.
- 该模型有效地提高了MI-BCI在各种应用中的性能.
- 这种方法支持开发先进的BCI技术.
