Europe PMC · 脑机接口文献· Zhu Y, Shi Y, Wu J, Wei Q.·· 12 天前精选AI 评分60
融合多尺度滤波与时空注意力的深度学习网络用于解码运动想象脑电信号
Decoding motor imagery EEG signals by a deep learning network integrating multiscale filtering and temporal-channel attention mechanisms.
AI 导读
一项新研究提出了基于多尺度卷积神经网络和时空注意力机制的深度学习网络，用于解码运动想象脑电信号。该网络通过四个并行分支提取特征并引入Transformer模块学习全局相关性，最终使用CNN替代全连接层进行分类。在三个公开BCI数据集上的评估显示，其平均准确率分别为80.21%、90.19%和97.32%，均超越了FBCNet和MSFBCNN等最强基线模型。
推荐理由
该研究提出结合多尺度卷积与注意力机制的网络，在三个公开数据集上解码运动想象脑电，准确率优于现有基线。
来源：Europe PMC · 脑机接口文献 · europepmc.org