강력하고 효율적인 EEG 운동 이미지 디코딩을 위한 경량 이중 주의 신경망

운동 이미지 기반 뇌-컴퓨터 인터페이스(MI-BCI)는 효과적인 시공간 특성 모델링을 달성하면서도 컴팩트한 모델 매개변수화를 유지하는 데 있어 중요한 도전에 직면해 있습니다. 여기서 제안된 경량 모델은 이중 주의 EEGNet(DA-EEGNet)이라고 하며, 채널 주의 모듈과 깊이 주의 모듈을 통합하여 정보전달 전극과 시간적으로 구별되는 특성에 선택적으로 강조를 두어 EEGNet 백본을 확장합니다. 모델의 성능을 검증하기 위해 주로 사용되는 두 가지 MI 기준 데이터셋과 주체 의존 시나리오, 주체 비의존 시나리오, 데이터셋 비의존 분류 시나리오라는 세 가지 평가 전략이 활용되었습니다. 컴팩트한 설계에도 불구하고 DA-EEGNet은 단 3.97k의 학습 가능한 매개변수를 포함하고 있으며 평균 분류 정확도 79.12 ± 13.09% 및 86.12 ± 11.92%를 달성하여 훨씬 더 많은 매개변수 수에 의존하는 기존 심층 학습 접근 방식을 능가하거나 동등한 성능을 보였습니다. 절제 연구는 채널 및 깊이 주의 모듈의 보완적인 기여를 추가로 확인합니다. 또한 시간 주의 히트맵 및 운동 영역 지형도를 포함한 시각화 분석은 DA-EEGNet이 MI 관련 뇌 활동과 일치하는 신경 생리학적으로 의미 있는 시공간 패턴을 포착함을 보여줍니다. 이러한 결과는 DA-EEGNet이 유리한 매개변수-정확도 균형을 제공하고 MI-BCI 응용을 위한 효율적이고 해석 가능한 기준선 역할을 한다는 것을 나타냅니다.