基于Optuna优化的时空并行网络DBTSP-Net：提升运动想象脑电解码精度与可视化研究

《Neurocomputing》：DBTSP-Net: A Temporal Spatial Parallel Network with Optuna Optimization for Subject-specific Motor Imagery EEG Decoding and Visualization

本文提出了一种新型双分支时空并行混合分类网络DBTSP-Net，采用Optuna优化算法实现自适应加权特征融合，在BCI Competition IV 2a/2b数据集上分别达到79.61%和86.21%的分类准确率。该研究通过脑电拓扑图和t-SNE可视化技术，为运动控制与神经康复训练提供了重要的理论支撑。

　　

亮点

为验证DBTSP-Net在运动想象脑电（MI-EEG）分类任务中的有效性，我们在公开的BCI Competition IV 2a和2b数据集上与传统及最先进的MI-EEG模型进行了性能对比。实验结果表明，DBTSP-Net在两个数据集上均优于其他基线模型，分别取得了79.61% ± 14.43和86.21% ± 12.17的平均准确率。为客观评估模型性能，我们进一步计算了kappa值等指标。

讨论

为验证DBTSP-Net的分类性能与鲁棒性，我们在BCI Competition IV 2a/2b数据集上进行了实验。通过与传统算法（如ShallowConvNet、DeepConvNet和EEGNet）及前沿算法（如CNN-Mamba、MI-CAT和Conformer）对比，实验结果显示DBTSP-Net总体表现最佳。相较于传统MI-EEG算法，DBTSP-Net通过双分支并行架构有效融合时空特征，显著提升了解码精度。

结论

针对MI-EEG信号解码精度低的问题，本研究提出了一种新型双分支时空并行混合分类网络DBTSP-Net，并采用基于Optuna优化算法的自适应特征融合策略。DBTSP-Net充分发挥了CNN在局部特征提取、Bi-LSTM在长时序依赖捕获以及Transformer多头注意力机制在全局特征融合方面的优势，为运动控制与神经康复训练提供了有效的解决方案。