.png){kind=icon}
返回
Multi-scale convolutional transformer network for motor imagery brain-computer interface
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-96611-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑机接口（BCI）系统通过将神经信号转化为实时指令，使用户能够与外部设备进行通信。卷积神经网络（CNNs）已被有效用于解码脑机接口中的运动想象脑电图（MI-EEG）信号。然而，基于传统CNN的方法面临着脑电图信号个体差异性和CNN感受野有限的挑战。本研究提出了一种多尺度卷积Transformer（MSCFormer）模型，该模型整合了多个CNN分支进行多尺度特征提取，并采用Transformer模块捕捉全局依赖关系，随后通过全连接层进行分类。多分支多尺度CNN结构有效解决了脑电图信号的个体差异性，增强了模型的泛化能力，而Transformer编码器则加强了全局特征整合并提升了解码性能。在BCI IV-2a和IV-2b数据集上的大量实验表明，MSCFormer在五折交叉验证中分别实现了82.95%（BCI IV-2a）和88.00%（BCI IV-2b）的平均准确率，kappa值分别为0.7726和0.7599，超越了多种当前最先进的方法。这些结果突显了MSCFormer的鲁棒性和准确性，强调了其在基于脑电图的BCI应用中的潜力。代码已发布于https://github.com/snailpt/MSCFormer。
Keyword:
Brain-computer interface (BCI)
Convolutional neural networks (CNNs)
Electroencephalography (EEG)
Motor imagery (MI)
Transformer
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
暂无机构信息
引用论文
EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery ClassificationEeg-itnet: 用于运动图像分类的可解释的Inception时间卷积网络.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracyGIGASCIENCE
OAAI
GIGASCIENCEIF3.9
OAAI分享收藏Correlation-based channel selection and regularized feature optimization for MI-based BCINEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏CTNet: a convolutional transformer network for EEG-based motor imagery classificationCTNet: 用于基于EEG的运动图像分类的卷积变压器网络SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Deep learning for electroencephalogram (EEG) classification tasks: a review用于脑电图 (EEG) 分类任务的深度学习: 综述OAAI
OAAI分享收藏
查看更多内容