分层注意力增强深度学习在脑机接口中实现高精度运动想象分类

基于运动想象的脑机接口（BCIs）对重度运动障碍患者具有变革性潜力，但其临床应用仍受限于脑电图（EEG）信号解码的固有复杂性。本研究对用于运动想象分类的分层深度学习架构进行了系统性研究，提出了一种新颖的注意力增强卷积-循环框架，在包含来自 15 名参与者的 4, 320 次试验的自定义四类运动想象数据集上达到了 97. 2477% 的最先进准确率。通过协同整合经由卷积层的空间特征提取、经由长短期记忆网络的时间动力学建模，以及用于自适应特征加权的选择性注意力机制，我们的方法显著优于传统方法，同时为运动想象的时空特征提供了可解释的见解。除了展现出具有竞争力的性能外，这项工作还阐明了在 EEG 信号的高维、非平稳特性中，注意力机制在捕获任务相关神经模式方面的关键作用。我们的研究结果表明，模拟大脑自身选择性处理策略的仿生计算架构可以显著提高 BCI 的可靠性，对神经康复技术以及恢复性神经科学的更广泛应用具有直接的启示意义。我们的代码可在 https: //github. com/Laboratory-EverythingAI/-EEGClassification 获取。