时序卷积注意力网络(TCANet)：一种面向运动想象脑电信号解码的时空特征分层建模方法

来自国内的研究人员针对运动想象脑电信号(MI-EEG)解码的复杂性和变异性挑战，开发了新型端到端时序卷积注意力网络(TCANet)。该模型通过多尺度卷积模块提取局部时空特征，结合时序卷积融合模块和堆叠多头自注意力机制，在BCI IV-2a/2b数据集上实现83.06%/88.52%的subject-dependent分类准确率，为脑机接口(BCI)系统开发提供了创新解决方案。

　　

解码运动想象脑电信号(Motor Imagery EEG, MI-EEG)是发展脑机接口(Brain-Computer Interface, BCI)系统的核心技术瓶颈。面对MI-EEG信号固有的复杂性和个体差异性，这项研究创新性地提出了时序卷积注意力网络(Temporal Convolutional Attention Network, TCANet)。这个端到端模型如同精密的时空特征提取器，通过三级递进式架构：首先用多尺度卷积模块像"显微镜"般捕捉不同时间分辨率下的局部时空特征；随后时序卷积模块化身"特征熔炉"，融合多尺度特征并建模长短程依赖；最后堆叠多头自注意力机制如同"全局导航仪"，精细优化特征表达。在BCI竞赛IV-2a和IV-2b数据集上的测试显示，该模型在subject-dependent模式下分别斩获83.06%和88.52%的准确率，Kappa值达0.7742/0.7703，性能显著超越基线模型。更令人振奋的是，在更具挑战性的subject-independent场景中，模型展现出良好的跨个体泛化能力。这项突破为临床BCI应用提供了新的技术路径，相关代码已在GitHub开源。