一个双分支的神经网络和注意力机制来解码基于EEG的运动图像

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) 对脑计算机接口 (BCI) 至关重要,使残疾人能够控制设备.
• 精确解码MI脑电图 (MI-EEG) 信号至关重要,但由于信号的复杂性和可变性,具有挑战性.
• 现有的方法在强大的MI-EEG信号分类方面扎.

研究的目的:

• 引入一个创新的双分支多注意力时间卷积网络 (DBMATCN),用于增强MI-EEG信号分类.
• 为了提高BCI应用程序的MI信号解码的准确性和稳定性.
• 解决当前模型在捕捉MI-EEG复杂的时空特征方面的局限性.

主要方法:

• 一个双分支网络结构,用于全面的时空特征提取.
• 道注意力机制以增强本地特征提取和校准特征映射.
• 多头本地自我注意力与滑动窗口技术相结合,以改善特征表示.
• 时间卷积融合网络用于MI数据的解码和分类.

主要成果:

• 在会议间验证中,DBMATCN实现了高平均精度:88.08% (BCI-IV-2a),96.83% (HGD) 和89.71% (BCI-IV-2b).
• 该模型在交叉验证中达到85.14%的准确性,在独立于主体的场景中达到71.78%的准确性.
• 与所有基线模型相比,DBMATCN在经过测试的数据集和验证方法中表现出卓越的性能.

结论:

• 拟议的DBMATCN模型对于解码运动图像信号非常有效.
• 创新的架构成功地捕捉了MI-EEG数据中的复杂的时空动态.
• DBMATCN为提高BCI系统性能和可用性提供了一个有希望的进步.