基于集中稀疏注意力网络的多尺度特征融合用于 EEG 解码
机器学习
2026-01-05 v3 人工智能
摘要
脑电图（EEG）信号解码是将脑活动转化为可执行命令的关键技术，为直接脑机接口和智能交互奠定了基础。为解决 EEG 信号固有的时空异质性问题，本文提出了一种多分支并行架构，其中每个时间尺度都配备一个独立的空间特征提取模块。为进一步增强多分支特征的融合，我们提出了通过集中稀疏注意力网络实现多尺度特征融合的方法（EEG-CSANet），这是一种集中稀疏注意力网络。它采用主干架构和辅助干系架构，其中主干通过多尺度自注意力建模核心时空模式，辅助干通过稀疏交叉注意力促进高效的局部相互作用。实验结果表明，EEG-CSANet 在五个公开数据集（BCIC-IV-2A、BCIC-IV-2B、HGD、SEED 和 SEED-VIG）上的准确率分别为 88.54%、91.09%、97.15%、96.03% 和 90.56%。这种性能表明其在各种 EEG 解码任务中的强大适应性和鲁棒性。此外，进行了大量消融实验，以增强 EEG-CSANet 的可解释性。我们希望 EEG-CSANet 未来能够在 EEG 信号解码领域成为一个有前景的基线模型。源代码已公开available at: https://github.com/Xiangrui-Cai/EEG-CSANet
引用
@article{arxiv.2512.18689,
title = {Fusion of Multiscale Features Via Centralized Sparse-attention Network for EEG Decoding},
author = {Xiangrui Cai and Shaocheng Ma and Lei Cao and Jie Li and Tianyu Liu and Yilin Dong},
journal= {arXiv preprint arXiv:2512.18689},
year = {2026}
}