EEG-MFTNet：增强型EEGNet架构，融合多尺度时间卷积与Transformer用于跨会话运动想象解码
机器学习
2026-04-08 v1 人工智能
摘要
脑机接口（BCI）使大脑与外部设备之间实现直接通信，为运动障碍者提供关键支持。然而，从脑电图（EEG）中准确解码运动想象（MI）仍具有挑战性，主要由于噪声和跨会话变异性。本研究提出EEG-MFTNet，一种基于EEGNet架构的新型深度学习模型，增强了多尺度时间卷积和Transformer编码器流。这些组件旨在捕捉EEG信号中的短程和长程时间依赖关系。该模型在SHU数据集上采用受试者依赖的跨会话设置进行评估，优于基线模型（包括EEGNet及其近期衍生模型）。EEG-MFTNet实现了平均分类准确率58.9%，同时保持低计算复杂度和推理延迟。结果凸显了该模型在实时BCI应用中的潜力，并强调了架构创新在提升MI解码中的重要性。本工作为开发更鲁棒和自适应的BCI系统做出了贡献，对辅助技术和神经康复具有启示意义。
引用
@article{arxiv.2604.05843,
title = {EEG-MFTNet: An Enhanced EEGNet Architecture with Multi-Scale Temporal Convolutions and Transformer Fusion for Cross-Session Motor Imagery Decoding},
author = {Panagiotis Andrikopoulos and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2604.05843},
year = {2026}
}
备注
6 pages, 4 figs