EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces

在使用脑机接口（BCI）解码脑活动时，有效地学习脑电图（EEG）信号的时间动态是具有挑战性但必不可少的。尽管Transformers因其在BCI领域的长期序列学习能力而受欢迎，但大多数将Transformers与卷积神经网络（CNNs）相结合的方法未能捕捉EEG信号的从粗到细的时间动态。为了克服这一限制，我们引入了EEG-Deformer，它将两个主要的新组件引入到CNN-Transformer中：（1）一个Hierarchical Coarse-to-Fine Transformer（HCT）块，将Fine-grained Temporal Learning（FTL）分支集成到Transformers中，有效地区分粗到细的时间模式；（2）一个Dense Information Purification（DIP）模块，利用多级纯化的时间信息来增强解码精度。对三个代表性的认知任务进行的全面实验一致验证了我们提出的EEG-Deformer的通用性，表明它要么优于现有的最先进方法，要么与它们相当。可视化结果显示，EEG-Deformer从与相应认知任务相关的神经生理学有意义的脑区中学习。源代码可在https://github.com/yi-ding-cs/EEG-Deformer找到。

解决问题：本文旨在解决使用脑机接口（BCI）解码大脑活动时，有效学习脑电图（EEG）信号的时间动态的挑战。

关键思路：本文提出了EEG-Deformer，将Hierarchical Coarse-to-Fine Transformer（HCT）块和Dense Information Purification（DIP）模块结合到CNN-Transformer中，有效地捕捉EEG信号的粗到细的时间动态模式，并利用多级纯化的时间信息提高解码精度。

其他亮点：本文的实验表明EEG-Deformer具有很好的泛化能力，并且可以优于现有的最先进方法或与其相媲美。EEG-Deformer学习了与相应认知任务相关的神经生理学有意义的脑区。作者已经在github上开源了代码。

相关研究：最近的相关研究包括“EEGNet”、“DeepConvNet”和“STFT-ResNet”等。