基于空间-时间注意力机制与通道优化的STA-EEGNet模型在2D/3D虚拟现实诱发的脑电信号分类中的应用

本研究针对2D/3D虚拟现实(VR)环境中脑电信号(EEG)分类的挑战，提出融合空间-时间注意力(STA)机制的改进型EEGNet模型STA-EEGNet，结合ANOVA通道选择技术，显著提升分类准确率至99.78%。该研究为揭示VR沉浸感的神经机制提供新工具，对脑机接口(BCI)优化具有重要应用价值。

　　

虚拟现实技术正以前所未有的方式重塑人类与数字世界的交互体验。从游戏娱乐到医疗康复，3D VR环境因其更强的沉浸感显著提升用户参与度，但背后的神经机制仍是未解之谜。传统脑电图(EEG)分析面临两大困境：一方面，现有EEGNet模型难以捕捉VR诱发信号的时空动态特征；另一方面，多通道EEG数据存在冗余噪声，影响分类精度。上海理工大学的研究团队在《Medical Engineering》发表的研究中，创新性地将空间-时间注意力(Spatial-Temporal Attention, STA)机制引入EEGNet框架，结合方差分析(ANOVA)通道优化策略，成功实现2D/3D VR诱发EEG信号的精准分类。

研究采用20名健康受试者的VR实验数据，通过STA-EEGNet模型提取时空特征，并利用ANOVA筛选51个信息量最大的EEG通道。关键技术包括：1) 构建STA模块增强时空特征提取能力；2) 基于统计学的静态通道选择；3) 交叉验证评估模型性能。

研究结果显示：在"Results of STA-EEGNet without channel selection"部分，模型训练400轮后达到稳定，验证集准确率达98.35%；引入通道选择后，在"Results of STA-EEGNet with channel selection"部分，峰值准确率提升至99.78%，较传统EEGNet提高6.23%。"Discussion"部分指出，STA机制能有效聚焦VR刺激相关的时空特征，而通道选择显著降低肌电伪迹干扰。

这项研究的突破性体现在三方面：首先，STA-EEGNet首次实现2D/3D VR神经表征的量化区分，为沉浸感神经机制研究提供新范式；其次，ANOVA通道选择与动态注意力机制的协同作用，为高维EEG数据处理树立新标准；最后，该模型在BCI系统的实时性优化方面展现应用潜力，如通过神经反馈动态调节VR内容。正如"Conclusion"强调的，该工作不仅推进了VR神经解码的基础理论，更为癫痫监测、认知康复等医疗场景提供了可扩展的技术框架。