DRDCAE-STGNN：一种用于运动想象分类的端到端判别式自编码器与时空图学习
人机交互
2025-09-09 v1
摘要
基于运动想象（MI）的脑机接口（BCI）在辅助技术和神经康复方面具有巨大潜力。然而，由于 MI 的非平稳特性和低信噪比，对其进行精确高效的解码仍然具有挑战性。本文介绍了一种新颖的端到端深度学习框架，即具有时空图神经网络的判别式残差密集卷积自编码器（DRDCAE-STGNN），以增强 MI 特征学习和分类。具体来说，DRDCAE 模块利用残差密集连接，通过联合重建和分类学习判别性潜在表示，而 STGNN 模块通过可学习的图邻接矩阵捕获动态空间依赖性，并使用双向长短期记忆（LSTM）建模时间动态。在 BCI Competition IV 2a、2b 和 PhysioNet 数据集上的广泛评估展示了最先进的性能，平均准确率分别为 95.42%、97.51% 和 90.15%。消融研究证实了每个组件的贡献，可解释性分析揭示了神经生理学上有意义的连接模式。此外，尽管模型复杂，但它保持了可行的参数数量和每样本 0.32 ms 的推理时间。这些结果表明，我们的方法为 MI-EEG 解码提供了一种稳健、准确且可解释的解决方案，在受试者和任务之间具有很强的泛化能力，并满足潜在实时 BCI 应用的要求。
引用
@article{arxiv.2509.05943,
title = {DRDCAE-STGNN: An End-to-End Discrimina-tive Autoencoder with Spatio-Temporal Graph Learning for Motor Imagery Classification},
author = {Yi Wang and Haodong Zhang and Hongqi Li},
journal= {arXiv preprint arXiv:2509.05943},
year = {2025}
}
备注
Submit to IEEE Journal