多尺度注意力卷积神经网络（MSAttNet）：提升运动想象分类性能的创新解码架构及其在脑机接口中的应用

本文提出一种新型多尺度注意力卷积神经网络（MSAttNet），通过多频带分割、注意力空间卷积与多尺度时序卷积模块，有效解决运动想象（MI）脑电（EEG）信号的小样本、高噪声与非平稳性挑战。该模型在四个公开数据集上实现78.20%–84.52%的分类准确率，显著提升MI解码性能，为脑机接口（BCI）系统提供鲁棒特征提取方案。

　　

Highlight

我们提出一种新方法——多尺度注意力卷积神经网络（MSAttNet）。该方法在多个数据集上达到最先进的性能水平，在IV2a数据集上准确率为78.20%，IV2b为84.52%，OpenBMI为75.94%，ECUST-MI为78.60%。所有其他指标——包括精确率、召回率、F1分数和Kappa系数——也均达到领先水平，展现出对跨被试变异性和不同通道配置的鲁棒性。

New method

为从不足规模的数据中捕获更多特征信息，我们提出一种新方法——多尺度注意力卷积神经网络（MSAttNet）。我们的方法包括三个主要组件：多频带分割模块、注意力空间卷积模块和多尺度时序卷积模块。首先，多频带分割模块采用具有重叠频带的滤波器组以增强频域特征。随后，注意力空间卷积模块通过注意力机制根据输入自适应调整不同卷积核参数，以捕捉不同数据集的特征。注意力空间卷积模块的输出被分组以执行多尺度时序卷积。最后，多尺度时序卷积模块的输出使用双线性池化层提取时序特征并执行噪声消除。提取的特征随后被分类。

Results

我们使用四个数据集（包括BCI Competition IV Dataset IIa、BCI Competition IV Dataset IIb、OpenBMI数据集和ECUST-MI数据集）测试我们提出的方法。MSAttNet在跨会话实验中分别达到78.20%、84.52%、75.94%和78.60%的准确率。

Comparison with existing methods

与最先进算法相比，MSAttNet提升了MI任务的解码性能。

Conclusion

MSAttNet有效应对了MI-EEG数据集的挑战，通过鲁棒的特征提取提高了解码性能。