MCTGNet:一个多尺度的卷积和混合注意网络,用于强大的运动图像EEG解码

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 运动图像 (MI) 电脑图像 (EEG) 解码对于大脑与计算机接口 (BCI) 的发展至关重要.
• 跨会期的BCI场景面临着由于MI-EEG信号的非线性动态和分布变化而导致的模型概括和稳定性的挑战.
• 传统的分类器在高阶,非静止的特征分布上扎,阻碍了解码性能.

研究的目的:

• 开发一个端到端解码框架,MCTGNet,用于增强运动图像EEG解码.
• 解决当前分类器在处理复杂特征分布方面的局限性,以改善跨会话泛化.
• 制定MI-EEG分类作为一个高阶函数近似任务,整合任务标签和特征结构.

主要方法:

• 提出了MCTGNet,这是MI-EEG的端到端解码框架.
• 在框架内引入了一个集团理性科尔摩戈罗夫-阿诺德网络 (GR-KAN).
• 制定分类作为一个高阶函数近似任务,共同建模标签和特征结构.

主要成果:

• 在BCI竞争IV 2a数据集上,MCTGNet的平均分类准确率为88.93%.
• 在BCI竞争IV 2b数据集上,MCTGNet的平均分类准确率为91.42%.
• 在各自的数据集上,性能比最新的方法高出3.32%和1.83%.

结论:

• MCTGNet提高了跨会话运动图像EEG解码的概括性和稳定性.
• GR-KAN方法有效地模拟复杂的特征分布,克服了以前的瓶.
• 在BCI研究中,MCTGNet代表了强大而准确的解码的重大进步.