GAH-TNet:基于图形的层次时间网络用于EEG运动图像解码

科学领域:

• 神经科学
• 生物医学工程
• 信号处理

背景情况:

• 使用运动图像 (MI) 的脑电脑接口 (BCI) 对康复和沟通充满希望.
• 电脑电图 (EEG) 信号存在挑战,因为信号与噪声的比率低,不静止,以及主体间的可变性,妨碍了准确的解码.
• 现有的方法难以同时捕获EEG信号中的空间,局部和全球模式.

研究的目的:

• 开发一个先进的深度学习框架来增强运动图像EEG信号的解码.
• 解决EEG数据中复杂的时空动态和通道相互作用的现有方法的局限性.

主要方法:

• 提出了基于图表注意力的层次时间网络 (GAH-TNet),集成空间图表注意力和层次时间编码.
• 引入了空间依赖和短期动态的图表注意时间编码块 (GATE).
• 通过两阶段的注意力和时间卷积开发了层次注意力引导的深度时间特征编码块 (HADTE).

主要成果:

• 在两个公开的MI- EEG数据集上,GAH- TNet的分类准确度达到BCI IV 2a的86. 84%和BCI IV 2b的89. 15%.
• 废除研究证实了GATE和HADTE组件的有效性.
• 该模型在不同主题中展示了强大的概括能力.

结论:

• 拟议的GAH-TNet框架有效地模拟MI-EEG信号的时空动态和拓结构.
• 这种分层和可解释的方法为改善EEG运动图像解码性能提供了一种新方法.