换一批ECSA-EEGNet:基于高效通道空间注意力与多尺度融合的轻量化脑电解码模型
ECSA-EEGNet:A Lightweight EEG Decoding Model with Efficient Channel-Spatial Attention and Multi-Scale Fusion
摘要针对现有运动想象脑电解码模型存在特征融合效率低、计算复杂度高及跨被试泛化能力弱的问题,本研究旨在构建一种兼顾高精度与轻量化的新型解码架构,以适配资源受限的嵌入式应用场景.提出轻量化模型ECSA-EEGNet:首先,设计动态通道-空间注意力模块,通过并行双池化与自适应加权机制替代传统全连接降维,无损耗地强化关键脑区特征感知;其次,重构注意力子模块,采用全卷积结构减少冗余参数(较传统机制降低约40％),并引入"卷积-批量归一化-Mish"单元增强非线性建模能力;最后,构建多尺度融合框架,通过跨维度特征交互提升对个体差异的鲁棒性.实验选取9名健康受试者参与的BCI Competition Ⅳ-2a(四分类)和Ⅳ-2b(二分类)数据集进行验证.结果显示,ECSA-EEGNet在Ⅳ-2a数据集上的平均准确率达80.29％(较基线EEGNet提升7.89％),Kappa值为0.72;在Ⅳ-2b数据集上准确率达85.22％(提升9.50％),Kappa值为0.70.模型参数量仅为5 022,约为TCNet-Fusion的1/3.在细粒度评估中,Ⅳ-2a受试者Sub 3对左手、右手、脚、舌四类任务的识别率均超90％(最高达95.83％),证实了模型在复杂任务中的稳定性.该模型以极小的参数代价实现了解码性能的显著跃升,有效平衡了精度与效率,有望为实时脑机接口系统的临床落地提供可行的轻量化解决方案.
更多相关知识
关键词
脑机接口脑电信号解码高效通道空间注意力多尺度特征融合轻量化brain-computer interfaceelectroencephalogram signal decodingefficient channel spatial attentionmulti-scale feature fusionlightweight
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2026.02.005
发布时间
2026-07-09（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览2
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
