AGTCNet：面向原则化运动想象 EEG 分类的图-时序方法
机器学习
2025-11-10 v1 人机交互
摘要
利用脑电图(EEG)技术的脑机接口(BCI)是一项变革性的创新，使运动受限者能够在平等条件下与其环境互动。尽管前景广阔，但开发面向主体无关和会话无关的 BCI 系统仍是重大挑战，这源于神经活动在个体间和随时间变化的内在复杂性，以及 EEG 硬件的限制。虽然已有研究致力于开发稳健的 BCI 系统，但现有方法在捕捉多通道 EEG 信号中复杂的时空依赖性方面仍显得无效。本研究通过引入注意力图-时序卷积网络(AGTCNet)，一种新型图-时序模型，用于运动想象 EEG(MI-EEG) 分类，来弥补这一空白。具体而言，AGTCNet 利用 EEG 电极的拓扑配置作为归纳偏置，并集成图卷积注意力网络(GCAT)以联合学习表达性的时空 EEG 表示。该提出模型在现有 MI-EEG 分类器中显著优异，实现了最先进的性能，同时采用紧凑的体系结构，凸显其有效性和实用性，便于 BCI 部署。相较于现有模型，AGTCNet 缩小 49.87% 的模型规模，加快 64.65% 的推理速度，并缩短输入 EEG 信号长度。在 BCI Competition IV Dataset 2a 上实现了 66.82% 的主导移动平均准确率（面向主体无关分类），细调后提升至 82.88%（面向主体相关分类）。在 EEG Motor Movement/Imagery 数据集上，AGTCNet 实现了 4 类、2 类主体无关分类的移动平均准确率分别为 64.14% 和 85.22%，细调后分别提升至 72.13% 和 90.54%。
引用
@article{arxiv.2506.21338,
title = {AGTCNet: A Graph-Temporal Approach for Principled Motor Imagery EEG Classification},
author = {Galvin Brice S. Lim and Brian Godwin S. Lim and Argel A. Bandala and John Anthony C. Jose and Timothy Scott C. Chu and Edwin Sybingco},
journal= {arXiv preprint arXiv:2506.21338},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication