基于归一化嵌入高斯函数的自适应注意力图卷积网络在快速序列视觉呈现解码中的应用研究

本文提出了一种基于归一化嵌入高斯函数（normalized embedded Gaussian）的自适应注意力图卷积网络（Gaussian-AAGCN），用于快速序列视觉呈现（RSVP）任务中的脑电信号解码。该模型通过数据驱动的自适应邻接矩阵构建脑区拓扑关系，结合卷积块注意力模块（CBAM）增强时空特征表示，在14名受试者实验中达到93.52%的平均AUC值，较传统方法提升18.02%，为脑机接口（BCI）的精准解码提供了可解释性强的新范式。

　　

Highlight

本研究提出基于数据驱动的自适应邻接矩阵构建方法，结合脑电源定位技术，开发了高斯自适应注意力图卷积网络（Gaussian-AAGCN）。该模型通过多子图卷积捕捉互补特征，在快速序列视觉呈现（RSVP）任务中实现93.52%的平均AUC值，较Transformer等模型提升最高达18.02%，为脑功能连接分析提供了动态拓扑建模新工具。

Model framework

模型框架如图2所示，输入数据x∈R^N×C×T×1经BatchNorm1d标准化后，通过时序卷积网络（TCN）与图卷积网络（GCN）融合模块提取特征，最终由全连接层和softmax分类器输出结果。创新性采用多子图卷积结构，同步捕获不同脑区的差异化时空模式。

Experiments setup

实验采用7:3划分训练/测试集，针对RSVP数据类别不平衡问题，使用随机过采样增强训练集。对比Transformer、ERP-CapsNet等基线模型，Gaussian-AAGCN的AUC提升显著（p<0.01），验证了自适应邻接矩阵和CBAM模块的协同增效作用。

CBAM validity verification

通过控制变量实验验证卷积块注意力模块（CBAM）的贡献：在时间-空间双维度注意力机制作用下，模型AUC和TPR分别提升3.5%和8%，显著优于传统SE-Net等单维度注意力结构（p<0.05）。

Conclusion

该研究突破了传统图卷积网络（GCN）固定邻接矩阵的局限性，通过归一化嵌入高斯函数动态构建脑功能连接，结合多尺度注意力机制，为解码视觉诱发电位（ERP）提供了高精度、可解释的新方法。