.png){kind=icon}
返回
Trend-Aware Multiscale Spatial-Temporal Graph Convolution Network for P300 Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSS.2025.3645356.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于P300的脑机接口（BCIs）通过解码P300电位实现大脑与外部设备之间的直接通信，在康复和认知神经科学研究中发挥着关键作用。准确检测P300电位对于成功实现基于P300的BCIs至关重要。当前主流的P300检测算法基于多通道脑电图（EEG）信号，虽然取得了有前景的检测结果，但仍存在以下问题：1）未能充分挖掘P300电位的独特和特征性整体时序趋势；2）对多通道EEG信息的聚合过于简化，未能有效利用EEG通道之间的非欧几里得拓扑关系。为解决上述问题，我们提出了一种趋势感知的多尺度时空图卷积神经网络（TMSGCN）用于P300检测。具体而言，为有效捕捉P300电位的长期时序趋势以提高检测鲁棒性，我们明确从原始EEG信号的时间维度中提取趋势分量，并利用其辅助识别P300电位。随后，应用多尺度时序卷积模块（MTCM）从处理后的EEG信号中提取多时间尺度幅值特征，作为自适应图卷积模块（AGCM）的输入。AGCM通过互补考虑人脑的结构和功能连接，将复杂的通道间关系建模为图，从而捕捉与P300电位相关的更具判别性和信息性的空间特征。在三个数据集上的广泛实验表明，TMSGCN优于其他基于P300的检测方法。此外，消融研究和可视化实验的结果表明TMSGCN各组件的有效性。
Keyword:
Brain–computer interface (BCI)
electroencephalography (EEG)
graph convolutional network
P300
期刊
IF:
4.9
论文数:
622
被引数:
6.8K
机构
引用论文
分享收藏TL-P3GAN: An Efficient Temporal-Learning-Based Generative Adversarial Network for Precise P300 Signal Generation for P300 SpellersTL-P3GAN: 一种高效的基于时间学习的生成对抗网络，用于为P300拼写者精确生成P300信号
PREAI
分享收藏
Complex network measures of brain connectivity: Uses and interpretations大脑连通性的复杂网络测量: 用途和解释.png)
NeuroImage
NeuroImageIF0
PREAI
分享收藏ST-SCGNN: A Spatio-Temporal Self-Constructing Graph Neural Network for Cross-Subject EEG-Based Emotion Recognition and Consciousness DetectionSt-scgnn: 一种时空自构建图神经网络，用于基于脑电的跨主体情绪识别和意识检测
PREAI
分享收藏
查看更多内容