TFCA-TransNet：基于通道注意力Transformer的脑电运动想象信号时空频特征融合解码方法

《Biomedical Signal Processing and Control》：TFCA-TransNet: Convolutional time–frequency–spatial feature fusion with channel attention transformer network for EEG-MI signal decoding

本文提出了一种新颖的端到端深度学习架构TFCA-TransNet，通过融合时域、频域（FFT提取幅值与相位）和空间特征（2D深度可分离卷积），结合通道注意力机制（CAM）与多头注意力Transformer（MHA），显著提升了脑电运动想象（EEG-MI）信号的解码性能。该模型在三个公开数据集（BCI IV-2a、BCI IV-2b和High-Gamma）上分别达到84.38%、89.39%和95.85%的分类准确率，为脑机接口（BCI）技术提供了高效的生物医学信号处理方案。

　　

Highlight

• •
  统一的三模态特征表示：我们提出了一种统一的三模态输入方案，联合整合原始时域信号、快速傅里叶变换（FFT）提取的幅值与相位信息，以及通过二维卷积提取的空间模式。这一设计克服了传统方法中各模态单独处理的局限性，实现了更丰富、更紧凑的特征编码。
• •
  通过CAM和Transformer实现两阶段融合：我们的TFCA-TransNet架构采用了一种双重融合策略：通道注意力机制（CAM）首先增强跨模态的特征区分能力，随后Transformer编码器捕获长程跨模态依赖关系。这种组合在一个轻量级且表达力强的框架中实现了局部细化和全局建模。
• •
  在多种脑电任务中表现出卓越性能：我们在跨会话设置下在三个广泛使用的公开脑电数据集上验证了我们的模型。TFCA-TransNet在BCI IV-2a、BCI IV-2b和High-Gamma数据集上分别达到了84.38%、89.39%和95.85%的平均准确率，性能优于近期最先进的模型。在High-Gamma数据集上接近完美的准确率突显了其在高频、受肌肉影响解码任务中的适用性。
• •
  全面的分析与可复现性：广泛的消融研究、参数敏感性评估和t-SNE可视化证实了所提出模型的鲁棒性和可解释性。所有代码和预处理流程均已公开。

Conclusion

脑机接口（BCI）系统的实际适用性在很大程度上取决于解码算法的有效性。为了提高基于脑电的运动想象（EEG-MI）任务的解码精度，本研究提出了一种新颖的深度学习架构——TFCA-TransNet——旨在解决现有方法在充分捕获信息特征方面的局限性。该模型包含三个关键组成部分：首先，采用快速傅里叶变换（FFT）来提取幅值和相位信息；其次，利用二维深度可分离卷积层提取空间特征；最后，通过通道注意力机制（CAM）和Transformer编码器对压缩后的时-频-空特征进行动态加权和建模。实验结果表明，该模型在跨会话评估中表现优异，显著优于现有方法。TFCA-TransNet通过其创新的多模态融合和特征优化策略，为生物医学信号处理提供了一个高效的解决方案，并展示了在脑机接口技术中的巨大潜力。