一种基于时空注意力机制的多尺度特征提取网络，用于运动想象解码

《IEEE Transactions on Medical Robotics and Bionics》：A Spatial-Temporal Attention-Based Multi-Scale Feature Extraction Network for Motor Imagery Decoding

脑机接口与机器人系统结合在步态辅助外骨骼、假肢控制、机械臂操作和轮椅导航等应用中面临运动想象解码精度不足的问题，现有方法依赖人工特征或忽略时空信息。本文提出时空注意力多尺度特征提取网络STANet，通过多空间注意力模块捕获关键空间特征，时间注意力模块提取动态时序特征，结合多尺度特征提取模块，在BCI-IV-2a和高伽马数据集上分别达到80.56%和96.87%的分类准确率，优于现有算法。

　　

摘要：

将脑机接口（BCI）与机器人系统相结合，为各种神经机器人应用提供了新的见解，这些应用包括但不限于外骨骼辅助步态、假肢控制、机械臂操作以及机器人轮椅导航。这种集成方式的一个关键限制在于其在脑电图（EEG）信号中解码运动想象（MI）的能力。现有的MI解码方法主要依赖于手工设计的特征，或者忽略了重要的空间和时间信息，从而提取了冗余信息，最终降低了解码精度。为了解决这些问题，我们提出了一种基于时空注意力的多尺度特征提取网络，名为STANet。STANet由三个关键模块组成：多空间注意力模块和时间注意力模块分别使STANet能够捕捉更多的关键空间特征和时间特征；此外，多尺度特征提取模块能够整合来自不同尺度的有效特征，从而提高MI解码的精度。为了评估STANet的有效性，我们在两个公共数据集上进行了实验，即BCI-IV-2a数据集和高伽马数据集。STANet在这两个数据集上的分类准确率分别达到了80.56%和96.87%，优于当前最先进的算法。这些结果表明，结合时空注意力可以提高MI解码性能，进而有可能提升神经机器人应用的操控效率。