DSAINet：一种用于通用脑电解码的高效双尺度注意力交互网络
人工智能
2026-04-21 v1
摘要
在非侵入性脑电图（EEG）的实际应用中，专用解码器在受试者无关设置下跨不同任务通常表现出有限的泛化能力。一个核心挑战是，任务相关的EEG信号在不同任务中往往遵循不同的时间组织模式，而许多现有方法依赖于为特定任务定制的架构设计，这些设计引入了任务特定的时间归纳偏置。这种不匹配使得在不改变模型配置的情况下难以跨任务调整时间建模。为了解决这些挑战，我们提出了DSAINet，一种用于通用脑电解码的高效双尺度注意力交互网络。具体来说，DSAINet从原始EEG信号构建共享的时空令牌表示，并通过精细和粗略尺度的并行卷积分支对多样化的时间动态进行建模。然后，通过分支内注意力自适应地细化生成的表示以强调显著的尺度特定模式，并通过分支间注意力整合跨尺度的任务相关特征，随后进行自适应令牌聚合以生成用于预测的紧凑表示。在跨越十个公共数据集的五个下游脑电解码任务上的大量实验表明，在严格的受试者无关评估下，DSAINet持续优于13个代表性基线。值得注意的是，这一性能是在跨数据集使用相同架构超参数的情况下实现的。此外，DSAINet仅需约77K可训练参数即可实现良好的精度-效率权衡，并提供可解释的神经生理学见解。代码公开于https://github.com/zy0929/DSAINet。
引用
@article{arxiv.2604.18095,
title = {DSAINet: An Efficient Dual-Scale Attentive Interaction Network for General EEG Decoding},
author = {Zhiyuan Ma and Zeyuan Li and Zihao Qiu and Jinhao Li and Lingqin Meng and Xinche Zhang and Yixuan Liu and Xinke Shen and Sen Song},
journal= {arXiv preprint arXiv:2604.18095},
year = {2026}
}