基于多尺度时空特征提取与Inception架构的运动想象分类新方法MSST-EEGNet研究

本研究针对脑机接口(BCI)系统中运动想象任务分类的挑战，提出了一种融合扩张卷积Inception模块与时间金字塔池化的多尺度时空特征提取网络(MSST-EEGNet)。该模型在BCIC-IV-2a/2b和OpenBMI三个基准数据集上显著优于现有深度学习和迁移学习模型，其跨被试分类准确率最高达0.8161±0.963，为脑电信号解码提供了强有力的新工具。

　　

运动想象分类(Motor Imagery Classification)是脑机接口(Brain-Computer Interface, BCI)系统的核心组成部分，旨在解读受试者在进行运动想象任务时产生的大脑信号。本研究开发了新颖的多尺度时空网络(MSST-EEGNet)，通过融合扩张卷积(Dilated Convolution)的Inception模块、时间金字塔池化(Temporal Pyramid Pooling)模块和分类模块，同步提取具有判别性的时空-频谱-空间特征。其中，采用扩张卷积的Inception模块负责捕获多尺度时间特征与空间特征的耦合信息，而时间金字塔池化模块则提取多层次细粒度与粗粒度特征。损失函数采用分类交叉熵与中心损失(Center Loss)的组合策略。在BCI Competition IV-2a、IV-2b和OpenBMI三个权威数据集上的实验表明：在被试特定(Subject-specific)分类中，模型准确率分别达到0.8426±0.1061、0.7779±0.0938和0.7365±0.1477；在跨会话(Cross-session)设置下准确率为0.7709±0.1098、0.7524±0.1017和0.6860±0.0990；在跨被试(Cross-subject)场景中更以0.7288±0.0730、0.8161±0.963和0.7075±0.0746的精度显著超越8个现有深度学习模型与6个迁移学习模型。非参数弗里德曼检验(Friedman Test)进一步证实了该模型在统计意义上具有显著优越性。