MSHANet:一个多层次的混合注意力网络,用于动力图像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:

• 脑电脑接口 (BCI) 技术对于中风或脊髓损伤患者的神经康复和运动功能恢复至关重要.
• 运动成像电脑图像学 (MI-EEG) 是一个关键的BCI模式,但其解码精度受到非线性动态和主体间变化的阻碍.
• 现有的BCI方法很难有效地捕捉复杂的时空EEG模式.

研究的目的:

• 为增强MI-EEG解码提出一个新的多级混合注意网络 (MSHANet).
• 为了提高神经康复应用的BCI系统的准确性和稳定性.
• 引入一个电极空间结构感知编码器,以利用电极定位信息.

主要方法:

• 开发了MSHANet,集成了时空特征提取 (STFE),说话头自我注意 (THSA),动态挤压和刺激注意 (DSEA) 和时间卷积网络 (TCN).
• 包含一个电极空间结构感知编码器来处理电极位置数据.
• 在BCI竞争IV数据集2a和2b上评估MSHANet,并使用主体内和跨主体实验设计使用EEGMMID.

主要成果:

• MSHANet实现了很高的解码精度:83.56% (主体内,BCI-2a),89.75% (主体内,BCI-2b) 和75.66% (主体内,EEGMMID).
• 跨主体实验的准确率为69.93% (BCI-2a),81.85% (BCI-2b) 和79.67% (EEGMMID).
• 电极空间结构感知编码器提高了高达2.91%的解码性能.

结论:

• MSHANet在MI-EEG解码中表现出卓越的性能,超过了现有的方法.
• 拟议的网络具有在神经康复和运动功能重建中的临床应用的巨大潜力.
• 整合空间电极信息可以提高BCI模型的有效性.