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，利用改进的transformers和TCNs来处理基于脑电图的运动想象分类问题。相比传统的机器学习方法，EEGEncoder能够避免手动特征提取和噪声干扰的问题。作者还提出了一种创新的融合架构——双流时空块（DSTS），用于捕捉时间和空间特征，提高运动想象分类任务的准确性。此外，作者使用了多个并行结构来增强模型的性能。在BCI竞赛IV-2a数据集上的测试中，该模型的结果优于当前最先进的技术。

该论文旨在解决使用EEG信号进行运动想象分类的传统机器学习方法存在的问题，如手动特征提取和噪声敏感性。

论文提出了EEGEncoder，这是一个采用修改后的transformers和TCNs的深度学习框架，通过创新地提出Dual-Stream Temporal-Spatial Block（DSTS）融合结构来捕捉时空特征，从而提高MI分类任务的准确性。

实验使用BCI Competition IV-2a数据集进行测试，结果表明EEGEncoder的性能优于当前最先进的技术。值得注意的是，论文采用了多个并行结构来增强模型的性能。

在这个领域中，最近的相关研究包括“EEG-based motor imagery classification using a deep learning framework with convolutional neural networks and long short-term memory”和“Motor imagery classification using EEG signals with a convolutional neural network and a self-adaptive differential evolution algorithm”。