Msst-eegnet:使用初始和时间金字塔聚合用于运动图像分类的多尺度时空特征提取
Rashmi Mishra1,2, R K Agrawal1, Jyoti Singh Kirar3
1School of Computer and Systems Sciences, Jawaharlal Nehru University, Delhi, India.
Cognitive neurodynamics
|September 23, 2025
概括
一个新的多尺度时空网络 (MSST-EEGNet) 改善了大脑-计算机接口的运动图像分类. 这种深度学习模型提取了歧视性特征,在各种环境中在准确性方面明显超过现有方法.
科学领域:
- 神经科学和人工智能 人工智能
- 大脑与计算机接口 (BCI) 系统
- 深度学习用于信号处理.
背景情况:
- 运动图像分类对于解释BCI系统中的大脑信号至关重要.
- 准确的分类可以通过思想直观地控制外部设备.
- 现有的深度学习模型在提取可靠分类的综合特征方面面临挑战.
研究的目的:
- 开发一种新的深度学习 (DL) 模型,用于增强运动图像分类.
- 提取有区别的时空和光谱特征,以提高概括性.
- 与现有的最先进的方法相比,实现更高的性能.
主要方法:
- 引入多个尺度的时空网络 (MSST-EEGNet).
- 采用了具有扩展卷积的初始模块,用于多尺度的时间和空间特征提取.
- 采用时间金字塔聚合模块用于细粒度和粗粒度特征提取.
- 实现了分类交叉结合中心损失作为优化目标.
主要成果:
- 在三个基准数据集 (BCI竞争IV-2a,IV-2b,OpenBMI) 上,MSST-EEGNet表现出卓越的分类准确性.
- 在主题特定和跨会话分类方面表现优于现有的八种深度学习模型.
- 在跨学科分类中表现优于八种深度学习和六种转移学习模型.
- 在BCI IV-2a上实现了高准确度,例如,0.8426 ± 0.1061对于BCI IV-2a的特定主体.
结论:
- 拟议的MSST-EEGNet模型在运动图像分类方面取得了重大进展.
- 该网络有效地提取多个规模的特征,从而提高了概括性.
- 统计测试证实了MSST-EEGNet比现有方法的优越性能.
