面向运动电位分类的空间-频谱-时序注意力融合变换器 SSTAF
计算机视觉与模式识别
2025-10-01 v1 机器学习
摘要
基于脑电图(EEG)的脑机接口(BCI)在运动电位分类中提供了神经康复和助助技术的前景解决方案，通过实现大脑与外部设备间的通信。然而，EEG 信号的非平稳性和显著的跨主体变异性导致开发鲁健的跨主体分类模型面临重大挑战。本文引入一种专为上肢运动电位分类设计的 novel 空间-频谱-时序注意力融合变换器(SSTAF)。该架构包含频谱变换器和空间变换器，随后由变换器模块和分类器网络构成。每个模块集成注意力机制，能够动态关注跨多个领域(如频谱频率、空间电极位置和时序动态)中最具辨识力的模式。采用短时傅里叶变换提取时频域特征，以帮助模型获得更好的特征区分。我们在两个公开数据集上评估了 SSTAF 变换器模型，分别是在 EEGMMIDB 数据集和 BCI Competition IV-2a 数据集上。SSTAF 变换器在两个数据集上的准确率分别为 76.83% 和 68.30%，优于传统基于 CNN 的架构和少数现有的变换器方法。
引用
@article{arxiv.2504.13220,
title = {SSTAF: Spatial-Spectral-Temporal Attention Fusion Transformer for Motor Imagery Classification},
author = {Ummay Maria Muna and Md. Mehedi Hasan Shawon and Md Jobayer and Sumaiya Akter and Saifur Rahman Sabuj},
journal= {arXiv preprint arXiv:2504.13220},
year = {2025}
}
备注
11 pages