面向运动想象脑电接口的时空双原型网络
人机交互
2024-10-30 v2 信号处理
摘要
运动想象脑电图（MI-EEG）解码在开发运动想象脑机接口（MI-BCI）中起着关键作用。然而，由于 EEG 信号的内在复杂性相对于小样本量，仍然面临从 EEG 中解码意图的挑战。为此，我们提出一种时空双原型网络（SST-DPN）。首先，我们设计一种轻量级注意力机制，统一建模多个 EEG 电极之间的时空-频谱关系，以提取强大的时空-频谱特征。然后，我们开发针对 EEG 信号的多尺度方差池化模块，以捕获长期时序特征。该模块无参数且计算高效，相较于广泛使用的 transformer 模型具有显著优势。此外，我们引入双原型学习，以优化特征空间分布和训练过程，从而提高模型在小样本 MI 数据集上的泛化能力。我们的实验结果表明，SST-DPN 在数据集 BCI4-2A 上实现 84.11% 的分类准确率，在数据集 BCI4-2B 上实现 86.65% 的分类准确率。我们还使用数据集 BCI3-4A 进行验证，进一步证明了所提出 SST-DPN 的泛化能力。我们实现了 82.03% 的分类准确率。凭借轻量级参数和优异的解码准确率，SST-DPN 在实际 MI-BCI 应用中显示出巨大的潜力。代码已公开于 https://github.com/hancan16/SST-DPN。
引用
@article{arxiv.2407.03177,
title = {A Spatial-Spectral and Temporal Dual Prototype Network for Motor Imagery Brain-Computer Interface},
author = {Can Han and Chen Liu and Yaqi Wang and Crystal Cai and Jun Wang and Dahong Qian},
journal= {arXiv preprint arXiv:2407.03177},
year = {2024}
}