RatioWaveNet：一种可学习的RDWT前端用于稳健且可解释的EEG运动想象分类
计算机视觉与模式识别
2025-10-28 v1 人机交互
机器学习
摘要
基于运动想象（motor imagery, MI）的脑机接口（BCI）将隐性运动意图转化为可操作指令，但可靠解码非侵入式EEG数据仍具有挑战性，由于非平稳性、低信噪比和主体变异性。我们提出RatioWaveNet，通过可训练的、依比例稀疏小波变换（RDWT）前端增强强大的时序CNN-Transformer主干（TCFormer）。RDWT执行保持时间长度和平移不变性的无采样、多分辨率子带分解，增强传感器运动频率，减轻抖动和轻微伪影；子带经轻量级分组1-D卷积融合后输入多核CNN进行局部时空特征提取、分组查询注意力编码器进行长程上下文建模，最终由紧凑的TCN头进行因果时序集成。我们的目标是测试是否在BCI通常失败的地方（即最难受试者）实现鲁棒性提升，以及这种提升是否在不同随机种子下在内、外主体协议中保持平均情况下的收益。在BCI-IV-2a和BCI-IV-2b上，跨五个随机种子，RatioWaveNet相对于Transformer主干在2a上的最差受试者准确率提升0.17/0.42个百分点（Sub-Dependent/LOSO），在2b上提升1.07/2.54个百分点，平均情况下的 gains 也保持一致，计算开销也有限。这些结果表明，一个简单、可学习的小波前端是强化基于Transformer的BCI的有效插件，能够在不牺牲效率的前提下提高最坏情况可靠性。
引用
@article{arxiv.2510.21841,
title = {RatioWaveNet: A Learnable RDWT Front-End for Robust and Interpretable EEG Motor-Imagery Classification},
author = {Marco Siino and Giuseppe Bonomo and Rosario Sorbello and Ilenia Tinnirello},
journal= {arXiv preprint arXiv:2510.21841},
year = {2025}
}