
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种基于常见空间模式的时空卷积神经网络,用于基于脑电图(EEG)的听觉注意力解码
《Journal of Medical and Biological Engineering》:A Common Spatial Pattern Driven Temporal-Spatial Convolutional Neural Network for EEG-based Auditory Attention Decoding
【字体: 大 中 小 】 时间:2026年05月01日 来源:Journal of Medical and Biological Engineering 1.7
编辑推荐:
摘要 目的 从脑电图(EEG)中解码听觉注意力(AAD)仍然具有挑战性,因为复杂的时空神经模式难以建模,并且解码性能在决策窗口较短的情况下往往会下降。本研究旨在开发一种高效且可解释的模型,以提高短窗口AAD的性能。 方法 提出了一种基
从脑电图(EEG)中解码听觉注意力(AAD)仍然具有挑战性,因为复杂的时空神经模式难以建模,并且解码性能在决策窗口较短的情况下往往会下降。本研究旨在开发一种高效且可解释的模型,以提高短窗口AAD的性能。
提出了一种基于共同空间模式(CSP)的浅层时空卷积神经网络(TSCNN)。首先使用CSP空间滤波来增强与注意力方向相关的具有空间辨别能力的EEG特征。然后,通过由时间和空间卷积层组成的时空卷积架构处理过滤后的信号,以捕捉局部神经动态和跨通道的空间信息。使用平均池化和全连接层进行分类。该模型在KUL和DTU数据集上进行了评估,并进行了敏感性分析和消融分析,以评估关键模块的贡献。
所提出的模型在两个数据集上的表现均优于几种现有技术方法,尤其是在决策窗口较短的情况下。消融结果进一步表明,CSP模块、时间卷积和空间卷积分别在空间辨别、短期动态建模和多通道信息整合方面做出了重要贡献。空间滤波器的可视化显示了与听觉相关的皮层区域中显著的激活现象。
基于CSP的浅层TSCNN为听觉注意力解码提供了一种有效、可解释且低延迟的解决方案,并为实际的AAD应用提供了方法论支持。
生物通微信公众号