PRSEPTransformer-EEG：基于源空间 sLORETA 与残差 Transformer 的鲁棒运动想象及执行脑电解码

《Scientific Reports》：PRSEPTransformer-EEG: source-space sLORETA and residual transformers for robust motor imagery and execution EEG decoding

　　

摘要

从非侵入式头皮 EEG 中解码运动意图仍然是脑 - 机接口研究的核心挑战，原因在于空间模糊、信噪比低以及被试间变异性。本工作提出了 PRSEPTransformer-EEG，这是一个统一的框架，集成了标准化预处理、使用 sLORETA 的源定位，以及一个结合了挤压 - 激励残差块和位置编码 Transformer 编码器的深度学习模型。该框架在三个公共数据集上进行评估，涵盖了通过凝胶电极、水基电极和干电极记录的运动想象和运动执行范式。在 BCI Competition IV 2a 数据集上，该模型在 Beta 频段的准确率达到 99.53%，超过了此前报告的最佳结果。在 BCI2000 四类想象数据集上，它在 Beta 频段达到 98.29%，在所有典型频率范围内超过 92%，表现优于现有的源空间和传感器空间模型。伸手与抓取数据集的结果进一步证实，当可用高密度记录时，源空间解码提供显著增益，而在稀疏配置中传感器级特征仍然有效。这些发现表明，结合源空间投影与时间感知的空间编码，可以显著推进非侵入式 EEG 解码在临床和辅助应用中的可靠性。我们的代码已公开于 (https://github.com/sinamakhdoomi/PRSEPTransfromerEEG.git)。