米夫网:基于Mamba的交互频率卷积神经网络,用于解码运动图像
1School of Information Science and Engineering, Yunnan University, Kunming, China.
Cognitive neurodynamics
|July 3, 2025
概括
MIFNet是一种新的深度学习模型,通过集成频率分解,光谱空间融合和高效的时间建模,显著增强大脑计算机接口中的运动图像解码. 这种方法可以提高实时应用的准确性和概括性.
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:
- 从脑电图 (EEG) 解码的运动图像 (MI) 对脑电脑接口 (BCI) 至关重要,但面临的挑战包括低信号噪声比和复杂的动态.
- 现有的深度学习模型 (CNN,变压器,RNN) 在MI-EEG解码中难以捕捉远程时间依赖,位置连贯性和计算效率.
研究的目的:
- 引入MIFNet,一种混合深度学习架构,将基于Mamba的选择性状态空间模型 (SSM) 与交互频率卷积神经网络相结合.
- 系统地整合光谱,空间和时间特征提取,以改进MI-EEG解码.
主要方法:
- MIFNet使用非重叠的频率分解来提取mu和β节律.
- 一个ConvEncoder模块在频段中融合了光谱空间特征.
- 一个基于Mamba的时间模块使用选择性的SSM来高效的长距离依赖模型,具有线性复杂性.
主要成果:
- 在三种公开的MI-EEG数据集 (BCIC-IV-2A,OpenBMI,High Gamma) 上,MIFNet实现了卓越的性能,超过了现有的模型.
- 与EEGNet相比,平均准确度的改善为12.3%,与FBCNet相比为8.3%,与IFNet相比为4.7%,与Conformer相比为5.5%.
- 废弃性研究证实了每个成分的贡献,仅MamBa模块在BCIC-IV-2A上提高了5.5%的精度.
结论:
- MIFNet在MI-EEG解码精度和泛化方面取得了重大进展.
- CNN和SSM的混合化为强大的实时BCI应用提供了一个有希望的方向.
- MIFNet有效地将局部特征提取与全球时间建模相结合,用于增强EEG信号处理.
