针对MI-EEG数据的鲁棒解码:一种结合多视角协作注意力机制和动态双曲正切函数的混合变换器网络

《Cognitive Neurodynamics》:Robust decoding for MI-EEG: a hybrid transformer network using multi-perspective collaborative attention and dynamic hyperbolic tangent

【字体: 大 中 小 】 时间:2026年05月17日 来源:Cognitive Neurodynamics 3.9

编辑推荐:

  ```摘要深度学习方法已被广泛应用于基于运动想象(MI)的脑机接口(BCI)系统中,用于解码脑电图(EEG)信号。然而,大多数现有的混合架构往往难以有效消除多通道信号中的冗余噪声,并且缺乏对EEG信号固有的非平稳性和分布漂移的适应能力。本研究提出了一种新颖的端到端混合注意力Tra

  ```

摘要

深度学习方法已被广泛应用于基于运动想象(MI)的脑机接口(BCI)系统中,用于解码脑电图(EEG)信号。然而,大多数现有的混合架构往往难以有效消除多通道信号中的冗余噪声,并且缺乏对EEG信号固有的非平稳性和分布漂移的适应能力。本研究提出了一种新颖的端到端混合注意力Transformer网络(HATNet)用于EEG分类。HATNet首先使用卷积神经网络提取局部时空特征。为了克服现有模型的局限性,它融合了一种轻量级通道的协同注意力机制(Collaborative Attention Mechanism for Lightweight Channels),该机制通过多维池化策略(包括熵池化)动态重新调整特征通道,以实现精确的空间噪声抑制。为了解决EEG信号的非平稳性问题,一种创新的动态双曲正切模块(Dynamic Hyperbolic Tangent)驱动Transformer编码层,实时适应数据分布的漂移,显著增强了模型捕捉个体特征变化的能力。此外,跨层残差融合路径将全局上下文特征与原始的局部时空特征深度集成。为了明确研究范围,实验中明确区分了主要的运动想象(MI)任务和辅助的运动执行(ME)任务。HATNet在三个主要的MI基准数据集(BCIC-IV-2a、BCIC-IV-2b和大规模的OpenBMI)以及一个辅助的ME数据集HGD上进行了性能评估。实验结果表明,HATNet在所有分析中都取得了最先进的性能。在依赖受试者的评估中,其在三个主要MI数据集上的平均准确率分别为81.25%、86.65%和69.57%,在辅助ME数据集上的准确率为96.20%。而在不依赖受试者的评估中,其在MI数据集上的准确率分别为60.88%、80.79%和76.28%,在ME数据集上的准确率为73.95%。通过多维特征选择和动态自适应建模,HATNet在提升MI和ME解码性能方面展示了优越性和鲁棒性。

深度学习方法已被广泛应用于基于运动想象(MI)的脑机接口(BCI)系统中,用于解码脑电图(EEG)信号。然而,大多数现有的混合架构往往难以有效消除多通道信号中的冗余噪声,并且缺乏对EEG信号固有的非平稳性和分布漂移的适应能力。本研究提出了一种新颖的端到端混合注意力Transformer网络(HATNet)用于EEG分类。HATNet首先使用卷积神经网络提取局部时空特征。为了克服现有模型的局限性,它融合了一种轻量级通道的协同注意力机制(Collaborative Attention Mechanism for Lightweight Channels),该机制通过多维池化策略(包括熵池化)动态重新调整特征通道,以实现精确的空间噪声抑制。为了解决EEG信号的非平稳性问题,一种创新的动态双曲正切模块(Dynamic Hyperbolic Tangent)驱动Transformer编码层,实时适应数据分布的漂移,显著增强了模型捕捉个体特征变化的能力。此外,跨层残差融合路径将全局上下文特征与原始的局部时空特征深度集成。为了明确研究范围,实验中明确区分了主要的运动想象(MI)任务和辅助的运动执行(ME)任务。HATNet在三个主要的MI基准数据集(BCIC-IV-2a、BCIC-IV-2b和大规模的OpenBMI)以及一个辅助的ME数据集HGD上进行了性能评估。实验结果表明,HATNet在所有分析中都取得了最先进的性能。在依赖受试者的评估中,其在三个主要MI数据集上的平均准确率分别为81.25%、86.65%和69.57%,在辅助ME数据集上的准确率为96.20%。而在不依赖受试者的评估中,其在MI数据集上的准确率分别为60.88%、80.79%和76.28%,在ME数据集上的准确率为73.95%。通过多维特征选择和动态自适应建模,HATNet在提升MI和ME解码性能方面展现了优越性和鲁棒性。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号