多特征注意力卷积神经网络用于运动想象解码

脑机接口(Brain-Computer Interface, BCI)是将神经系统与外部环境连接的一种通讯手段。运动想象(Motor Imagery, MI)是BCI研究的基石,它指在运动执行前的内在演练(Internal Rehearsal)。非侵入性技术如脑电图(Electroencephalography, EEG)因其成本效益高与便利性,可以高时间分辨率记录神经活动。当受试者想象移动身体特定部位时,大脑特定区域会发生能量变化(ERD/ERS),这些变化可以通过EEG记录并用于辨别运动意图。MI基础的BCI系统已经取得显著进展,能够控制外骨骼和光标,特别是与虚拟现实技术结合,用于中风康复的潜力更为显著。 目前,MI解码方法的高性能是这种系统成功的关键。然而,相比于依赖外部刺激的其它BC...

EISATC-Fusion 模型用于运动想象EEG解码

EISATC-Fusion 模型用于运动想象EEG解码

研究背景 脑机接口技术(brain-computer interface, BCI)可以实现大脑与外部设备的直接通信,广泛应用于人机交互、运动康复、医疗等领域。BCI的常见范式包括稳态视觉诱发电位(steady-state visual evoked potentials, SSVEP)、P300、运动想象(motor imagery, MI)等。其中,MI-BCI因其广泛应用前景而备受关注。 MI-BCI通常使用脑电图(electroencephalography, EEG)信号检测运动想象,使得用户能够通过想象运动来控制设备,如电动轮椅、光标和上肢机器人。然而,脑活动的不稳定性和低信噪比(signal-to-noise ratio, SNR),以及个体间信号的差异和EEG信道间的相关性,...

基于Transformer的深度学习网络与时空信息结合的原始EEG分类方法

研究背景及目的 近年来,脑机接口(Brain-Computer Interface,BCI)系统在神经工程和神经科学领域广泛应用,而脑电图(Electroencephalogram,EEG)作为反映中枢神经系统不同神经元群体活动的数据工具,已经成为这些领域中核心的研究内容。然而,EEG信号具有低空间分辨率、高时间分辨率、低信噪比以及个体差异大等特征,这些都为信号处理和准确分类带来了极大的挑战。尤其在运动想象(Motor Imagery,MI)这一EEG-BCI系统常用范式中,准确分类不同MI任务的EEG信号对于BCI系统的功能恢复和康复具有重要意义。 传统的MI-EEG分类方法通常基于手工特征提取和分类,但这些方法可能在特征提取阶段丢失EEG的有用信息。近年来,深度学习模型因其自动特征提取和...