IncepFormerNet：用于SSVEP分类的多尺度多头注意力网络
信号处理
2025-02-21 v1 人工智能
机器学习
摘要
近年来，深度学习（DL）模型在EEG分类任务中展现出卓越的性能，尤其是在稳态视觉诱发电位（SSVEP）基于的脑机接口（BCI）系统中。DL方法已成功应用于SSVEP-BCI。本研究提出了一种新模型称为IncepFormerNet，它是Inception和Transformer架构的混合体。在cepFormerNet中，利用不同大小的并行卷积核对时间序列数据进行多尺度提取，能够准确捕捉SSVEP信号中细微变化和关键特征。此外，模型集成了Transformer架构中的多头注意力机制，不仅提供了全局依赖性的洞察，还显著增强了对复杂模式的理解和表示。此外，它利用滤波器库技术提取基于SSVEP数据光谱特征的特征。为验证所提模型的有效性，我们在两个公开数据集上进行了实验。实验结果显示，在1.0秒的时间窗下，IncepFormerNet在数据集1上的准确率为87.41，在数据集2上的准确率为71.97。为进一步验证所提方法的优越性，我们将其与其他深度学习模型进行了比较，结果表明本方法的准确率显著高于其他方法。本工作的源代码可在https://github.com/CECNL/SSVEP-DAN 上获取。
引用
@article{arxiv.2502.13972,
title = {IncepFormerNet: A multi-scale multi-head attention network for SSVEP classification},
author = {Yan Huang and Yongru Chen and Lei Cao and Yongnian Cao and Xuechun Yang and Yilin Dong and Tianyu Liu},
journal= {arXiv preprint arXiv:2502.13972},
year = {2025}
}