摘要
背景/目标：运动想象脑电图（MI-EEG）包含在通道和时间维度上演化的微弱非平稳模式。有效的解码需要在不丢弃早期处理阶段信息的前提下，表征局部运动感知结构、全试验上下文以及有序的时序演化。 方法：我们提出了STDR-Net，一种时空依赖精炼网络，该网络通过重新校准卷积令牌、建模其全局交互、通过跨阶段残差桥恢复原始局部表征，并利用双向长短期记忆网络精炼融合序列。STDR-Net在脑机接口竞赛IV-2a、IV-2b以及PhysioNet EEG运动运动/想象数据集上与九个复现的基线方法进行了对比评估。PhysioNet实验采用混合受试者池化试验级划分，而非未见受试者评估。 结果：STDR-Net分别取得了82.69%、86.99%和59.76%的准确率，Cohen's kappa值分别为0.7692、0.7398和0.46。该模型在IV-2a上取得了最高的观测平均准确率，在IV-2b和PhysioNet上表现具有竞争力。桥接特异性、排序、模块和增强消融实验在IV-2a上支持了所提出的路径，而IV-2b上的差异很小，经多重性校正后不具有显著性。 结论：结果表明，信息保留的依赖精炼是MI-EEG解码的一种有竞争力的设计，同时也显示其效益取决于数据集和评估设置。
