面向强鲁棒 EEG 分类的双向时频金字塔网络
机器学习
2025-11-10 v2
摘要
现有的 EEG 识别模型因数据集特定限制和个体差异性，导致跨范式泛化效果差。为克服这些限制，我们提出 BITE（Bidirectional Time-Freq Pyramid Network），一个具有鲁棒多流融合、金字塔时频注意力（PTFA）和双向自适应卷积的端到端统一架构。该框架独特地集成了：1）保持与 STFT 时间同步的对齐时频流，实现双向建模；2）基于 PTFA 的多尺度特征增强，放大关键神经模式；3）具可学习融合能力的 BiTCN，捕获前向/后向神经动力学。证明其鲁棒性，BITE 在四个不同范式（BCICIV-2A/2B、HGD、SD-SSVEP）中实现了最先进性能，在保持单元内准确率的同时实现跨主体泛化。作为统一架构，BITE 在保持 MI 和 SSVEP 任务卓越计算效率的同时，实现了两者的鲁棒性能。我们的工作验证了范式对齐的时频处理对于可靠 BCI 系统至关重要。正如其名称所示，BITE "咬掉 EEG"。源代码已公开于 https://github.com/cindy-hong/BiteEEG。
引用
@article{arxiv.2510.10004,
title = {Bidirectional Time-Frequency Pyramid Network for Enhanced Robust EEG Classification},
author = {Jiahui Hong and Siqing Li and Muqing Jian and Luming Yang},
journal= {arXiv preprint arXiv:2510.10004},
year = {2025}
}
备注
Accepted to IEEE BIBM 2025