EDSF-Net：一种增强的动态时空频率注意力网络，用于在运动想象中实现鲁棒的脑电图（EEG）解码

《Neural Networks》：EDSF-Net: An Enhanced Dynamic Spatiotemporal-Frequency Attention Network for Robust EEG Decoding in Motor Imagery

　　

陈伟杰|伊恩·戴利|陈一欣|李俊贤|吴晓|赵瑞宇|王星宇|安德烈·奇乔茨基|金静

摘要

运动想象是一种非侵入性过程，它不依赖于外部刺激，仅通过想象特定的动作就能在大脑与外部设备之间建立直接连接。然而，神经模式的复杂性和变异性带来了重大挑战，因为从脑电图信号中准确解码运动想象仍然是一个重要的难题。本文介绍了一种改进的动态时空-频率注意力卷积神经网络（EDSF-Net），用于精确解码运动想象。EDSF-Net采用了一种基于增强动态卷积（EDConv）的精细时空注意力机制，以强调局部空间特征以及高低频时间特性。随后，利用EDConv进行全局空间特征提取。接着，通过EDConv形成的组卷积有效地融合了提取的特征。最后，采用同步的通道-频率注意力机制来捕获关键的通道和频率域信息，使模型在整个学习过程中始终关注与任务最相关的特征。我们对EDSF-Net在两个公共数据集BCI Competition IV 2a和OpenBMI上的性能进行了全面评估。在保留集实验中，EDSF-Net的解码准确率分别为84.26%和75.14%；在留一受试者实验中，解码准确率分别为66.78%和82.24%。这些结果表明，EDSF-Net具有强大的泛化能力，证明了其在处理复杂模式识别任务方面的有效性，并具有广泛的应用潜力。