换一批基于动态卷积和注意力机制的多域特征融合与运动想象解码
Multi-domain feature fusion and motor imagery decoding based on dynamic convolution and attention mechanism
摘要基于卷积神经网络(CNN)进行运动想象(MI)解码是智能康复的一个研究热点,而目前的解码方法难以针对脑电信号的个体差异性动态深度挖掘其蕴含的时-频-空特征,影响解码效果.鉴于此,提出一种基于动态卷积和注意力机制的CNN模型(DCAMNet).首先,使用滤波器组对每导原始脑电信号进行多频带划分,同时输入特征提取模块;然后,由动态卷积块动态计算注意力权重,获得有价值的时频信息,再依次经空间卷积块和时间注意力块学习来挖掘空间信息和时间相关性,以实现个性化时-频-空特征提取和融合;最后,由分类模块完成MI解码.基于公开的BCI Competition Ⅳ Dataset 2a数据集对9名受试者进行4分类十折交叉验证实验,取得了 79.17％的平均准确率和0.788的F1值.实验结果表明,DCAMNet能够自适应地关注和增强受试者个性化的特征,可实现多域特征提取和融合,相对于现有的流行方法在解码精度和泛化性能上具有一定优势.
更多相关知识
关键词
脑机接口脑电信号运动想象动态卷积注意力机制特征融合brain-computer interfaceelectroencephalographymotor imagerydynamic convolutionattention mechanismsfeature fusion
栏目名称
DOI
10.13195/j.kzyjc.2024.0942
发布时间
2025-05-16（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（62173010）
- 浏览2
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
