EDPNet: An Efficient Dual Prototype Network for Motor Imagery EEG Decoding

本文旨在开发运用脑机接口（BCI）技术中的运动想象（MI）解码，而MI-EEG解码在其中扮演重要角色。然而，由于EEG信号的内在复杂性和小样本量，从MI中解码意图仍然具有挑战性。因此，本文提出了一种高效的双重原型网络（EDPNet），以实现准确和快速的MI解码。EDPNet采用轻量级自适应空间-频谱融合模块，促进多个EEG电极之间的更有效信息融合。随后，无需参数的多尺度方差池化模块提取更全面的时间特征。此外，我们引入了双重原型学习来优化特征空间分布和训练过程，从而提高模型在小样本MI数据集上的泛化能力。实验结果表明，EDPNet的分类准确率和kappa值（BCI竞赛IV 2a数据集为84.11％和0.7881，BCI竞赛IV 2b数据集为86.65％和0.7330）优于现有最先进模型。此外，我们使用BCI竞赛III IVa数据集进行进一步验证，结果显示EDPNet具有82.03％的分类准确率。由于其轻量级参数和卓越的解码准确性，EDPNet在MI-BCI应用中具有巨大潜力。本文代码公开在https://github.com/hancan16/EDPNet。

该论文旨在解决运动想象脑机接口（MI-BCI）中的MI-EEG解码问题，即如何从EEG信号中准确地识别运动想象意图。

论文提出了一种高效的双原型网络（EDPNet）来实现准确和快速的MI解码。该网络采用轻量级自适应空间-频谱融合模块和无参数多尺度方差池化模块，同时引入双原型学习来优化特征空间分布和训练过程。

论文的实验结果表明，EDPNet在BCI竞赛IV 2a和2b数据集上表现优于现有的模型，并在BCI竞赛III IVa数据集上展现出良好的泛化能力。此外，论文提供了公开的代码。

在最近的相关研究中，有一些与本文相关的论文，例如“Deep Learning-Based Classification of Electroencephalography Signals Using a Convolutional Neural Network”和“Efficient Motor Imagery EEG Signal Classification Using Deep Convolutional Neural Network”等。