.png){kind=icon}
返回
SFE-GAT: Structure-Feature Evolution Graph Attention Network for Motor Imagery Decoding
.png){kind=icon}
OA
AI
DOI：10.3390/s26051730.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑机接口想象运动EEG解码通常依赖于静态功能连接图，这些图无法捕捉任务期间脑网络的动态、分阶段重组。本文旨在开发一种显式模拟该神经动力学过程的图神经网络，以提高解码性能并提供计算学见解。本文提出了一种结构-特征演化图注意力网络（SFE-GAT）。其层间演化机制动态协同适应图拓扑和节点特征，模拟功能网络重组。该模型以相干锁定值连接和频谱特征初始化，使用带有蒙特卡洛采样的图自编码器迭代优化边和嵌入。在BCI Competition IV-2a数据集上，SFE-GAT实现了77.70%（受试者依赖）和66.59%（受试者独立）的准确率，优于基线模型。演化后的图显示出任务关键连接的稀疏化和强化，表明存在层级处理。本文通过动态图架构推进了EEG解码，为研究运动皮层活动的层级组织提供了一个计算框架，并将自适应图学习与神经动力学联系起来。
Keyword:
motor imagery EEG
graph neural network
brain network dynamics
functional connectivity
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
A brain topography graph embedded convolutional neural network for EEG-based motor imagery classification脑地形图嵌入卷积神经网络的脑电运动想象分类
PREAI
分享收藏EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy.png)
GIGASCIENCEOAAI
GIGASCIENCEIF3.9
OAAI分享收藏Enhancing motor imagery EEG signal decoding through machine learning: A systematic review of recent progress通过机器学习增强运动想象EEG信号解码：近期进展的系统综述
PREAI
分享收藏Learnable Graph Convolutional Network With Semisupervised Graph Information Bottleneck具有半监督图信息瓶颈的可学习图卷积网络
PREAI
分享收藏
Multiscale Spatial-Temporal Feature Fusion Neural Network for Motor Imagery Brain-Computer Interfaces多尺度时空特征融合神经网络用于运动想象脑机接口
PREAI
分享收藏
查看更多内容