EEG-Deformer：一种用于脑机接口的密集卷积 Transformer
信号处理
2024-10-30 v2 机器学习
神经元与认知
摘要
有效地学习脑电（EEG）信号的时序动态具有挑战性，但对于使用脑机接口（BCIs）解码大脑活动至关重要。尽管 Transformer 因其在 BCI 领域的长序列学习能力而广受欢迎，但大多数结合 Transformer 与卷积神经网络（CNNs）的方法未能捕捉 EEG 信号的由粗到细时序动态。为克服这一局限性，我们引入了 EEG-Deformer，它在 CNN-Transformer 中引入了两个主要的新颖组件：(1) 层次化由粗到细 Transformer（HCT）模块，将细粒度时序学习（FTL）分支集成到 Transformer 中，有效辨别由粗到细的时序模式；(2) 密集信息净化（DIP）模块，利用多层级、净化的时序信息来提升解码精度。在三个代表性认知任务——认知注意力、驾驶疲劳和脑力负荷检测——上的综合实验一致证实了我们提出的 EEG-Deformer 的泛化能力，表明其性能优于或可比于现有的最先进方法。可视化结果表明，EEG-Deformer 能够从对应认知任务具有神经生理意义的脑区中学习。源代码可在 https://github.com/yi-ding-cs/EEG-Deformer 获取。
引用
@article{arxiv.2405.00719,
title = {EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces},
author = {Yi Ding and Yong Li and Hao Sun and Rui Liu and Chengxuan Tong and Chenyu Liu and Xinliang Zhou and Cuntai Guan},
journal= {arXiv preprint arXiv:2405.00719},
year = {2024}
}
备注
10 pages, 9 figures. This work has been submitted to the IEEE for possible publication