基于特征融合和注意力机制的运动图像EEG分类的研究
Tingting Zhu1, Hailin Tang1, Lei Jiang1
1School of Big Data and Computing, Guangdong Baiyun University, Guangzhou, China.
Frontiers in human neuroscience
|July 31, 2025
概括
通过整合多尺度密集连接和混合注意力机制,HA-FuseNet提高了运动图像EEG分类的准确性. 这种新的方法通过克服信号噪声和个人差异来增强神经康复和人机协作.
科学领域:
- 大脑与计算机的接口.
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 基于电脑脑电图 (EEG) 的运动图像动作识别对于神经康复和人机协作至关重要.
- 现有的方法在信号与噪声比较低,主体间的变异性以及EEG数据中的模型过拟合方面存在困难.
- 开发强大而准确的EEG分类模型仍然是一个重大挑战.
研究的目的:
- 提出HA-FuseNet,一个端到端的网络,用于运动图像动作分类.
- 解决EEG信号处理方面的挑战,包括噪音,变化性和过度装配.
- 从EEG信号中提高左手,右手,脚和舌头等运动分类的准确性和稳定性.
主要方法:
- HA-FuseNet集成了多尺度密集连接和特征融合的混合注意力机制.
- 整体自我注意模块和轻量级设计被纳入,以提高效率和性能.
- 该网络被设计为一个端到端的模型,用于直接的运动图像动作分类.
主要成果:
- 在BCI竞争IV数据集2A上,HA-FuseNet实现了77.89%的平均主题内准确度,表现比EEGNet更好8.42%.
- 该模型实现了68.53%的跨主题准确性,在不同个体的概括方面表现出有效性.
- 拟议的网络显示出对空间分辨率的变化和个体差异的稳定性.
结论:
- HA-FuseNet有效地缓解了运动图像EEG分类的关键挑战,包括空间分辨率变化和个体差异.
- 该模型的性能突显了其在神经康复和人机协作中的实际应用潜力.
- 集成的功能融合和注意力机制有助于提高基于EEG的动作识别的准确性和稳定性.
