基于半脑-全脑双分支卷积与时序融合的脑电图分类模型OA
针对脑电图(electroencephalogram,EEG)分类中半脑与全脑信息融合不足及时空特征建模不充分的问题,提出了基于自注意力与状态空间模型并联的半脑-全脑双分支卷积与时序融合(hemisphere-whole brain dual-branch convolution and temporal fusion,DAF)模型。该模型采用多尺度时域卷积提取时序特征,结合半脑与全脑并联空间分支及频域学习器获取时空频特征,并利用自注意力与状态空间模型分别建模局部细节和长程依赖,最终通过特征融合实现分类。DAF模型在上海交通大学情绪脑电数据集(Shanghai Jiao Tong University emotion EEG dataset,SEED)、音乐情绪脑电数据集(music emotion EEG dataset,MEEG)和心算任务脑电图数据集(EEG during mental arithmetic tasks dataset,EEGMat)3个公开数据集上的平均准确率分别为95.45%、92.35%和93.46%,较EEG密集卷积变换器(EEG dense convolutional transformer,EEG-Deformer)模型分别提高了6.15%、8.53%和2.43%。该模型有效提升了脑电解码的泛化能力,为脑机接口在复杂认知任务中的应用提供了新方案。
范金科;李军;梁泰然;田野
湖北民族大学智能科学与工程学院,湖北恩施445000湖北民族大学智能科学与工程学院,湖北恩施445000 湖北民族大学运动健康与协同智能工程研究中心,湖北恩施445000湖北民族大学智能科学与工程学院,湖北恩施445000湖北民族大学智能科学与工程学院,湖北恩施445000
信息技术与安全科学
深度学习脑机接口联合时序特征提取半脑空间特征时空特征
《湖北民族大学学报(自然科学版)》 2026 (3)
P.307-312,6
湖北省自然科学基金恩施创新发展联合基金项目(2025AFD161,2023AFD061)。
评论