EEGEncoder: Advancing BCI with Transformer-Based Motor Imagery Classification

本文介绍了一种名为EEGEncoder的深度学习框架，采用变压器模型来克服传统基于脑电图（EEG）的运动想象（MI）分类方法所遇到的手动特征提取和噪声敏感性等挑战。EEGEncoder的创新多尺度融合架构捕捉了即时和扩展的时间特征，从而提高了MI任务分类的精度。EEGEncoder的关键创新包括在MI-EEG信号分类中首次应用变压器、混合数据增强策略以增强泛化能力，以及多任务学习方法以提高预测精度。在BCI竞赛IV数据集2a上测试时，我们的模型以其最先进的性能建立了一个新的基准。EEGEncoder标志着BCI技术的重大进步，为将思想转化为行动提供了一个强大、高效和有效的工具，有望显著提高那些依赖于BCI的人的生活质量。

本论文旨在解决脑机接口中传统机器学习方法在运用脑电波进行运动想象分类时所遇到的挑战，如手动特征提取和噪声干扰等问题。

本论文提出了一种使用Transformer模型的深度学习框架EEGEncoder，通过多尺度融合结构捕捉即时和扩展的时间特征，从而提高运动想象任务分类的准确性。EEGEncoder的关键创新包括首次将Transformer应用于脑电信号分类，使用mixup数据增强策略提高泛化能力，以及多任务学习方法提高预测准确性。

本论文在BCI Competition IV数据集2a上进行了实验，取得了最新的最优性能。该论文提出的EEGEncoder框架不仅具有鲁棒性、高效性和有效性，还能将思想转化为行动，为依赖BCI的人们提供显著的生活质量提高。

最近的相关研究包括使用深度学习方法进行脑电信号分类的研究，如《Deep learning-based classification of EEG and ECoG signals》和《Deep learning for EEG-based motor imagery classification: A review of recent approaches》等。