基于时空图卷积注意力网络的运动想象脑电解码方法

《Scientific Reports》：Spatial-temporal graph convolutional attentional network for motor imagery EEG classification

　　

摘要

为解决运动想象脑电（MI-EEG）解码中可学习功能连接和判别性时空特征捕获不足的问题，本文提出了一种时空图卷积注意力网络（STGCAN-MI）。该方法首先通过可学习的动态图卷积模块显式建模电极间的功能连接和时间依赖性，然后引入轻量级并行时空注意力模块，在通道和时间维度上对特征响应进行自适应重校准，从而增强关键的判别性信息并抑制无关噪声。在BCI竞赛IV数据集2a（四类）和2b（二类）上的实验表明，STGCAN-MI分别取得了83.17%和87.50%的平均最佳分类准确率，优于多个代表性基线模型。消融实验和可视化分析验证了各核心组件的有效性。本研究为开发高性能运动想象脑电解码方法提供了新的思路。