动态时空特征增强网络(DSTA-Net)在运动想象分类中的创新应用及其在脑卒中康复中的潜力

来自国内的研究人员针对运动想象(MI)脑电信号的非平稳性和高类内变异特性，创新性地提出动态时空特征增强网络(DSTA-Net)。该网络通过多尺度时间卷积核捕捉α/β频段特征，结合分组空间卷积实现维度转换，在BCI-IV-2a等数据集上取得6.29%的准确率提升(p?

　　

精准解码运动想象(Motor Imagery, MI)信号并增强特征可解释性，对推动MI技术在脑卒中康复中的应用具有重要意义。然而，MI脑电(EEG)固有的非平稳特性和显著的类内变异，给可靠时空特征的提取带来了巨大挑战。

研究人员提出的动态时空特征增强网络(DSTA-Net)创新性地整合了DSTA模块和时空卷积(STC)模块。DSTA模块采用多尺度时间卷积核，专门针对MI神经生理特征的α和β频段进行优化，同时保留原始EEG作为基线特征层。通过分组空间卷积提取多层次空间特征，结合权重约束防止过拟合，其空间卷积核能将EEG通道信息映射到新空间域，实现基于维度转换的深层特征挖掘。

在BCI-IV-2a、OpenBMI和CASIA三个公开数据集及自采集脑卒中数据集上的验证表明，DSTA-Net在十倍交叉验证中相较ShallowConvNet分别获得6.29%(p?p?p?