EEG-DBNet: A Dual-Branch Network for Temporal-Spectral Decoding in Motor-Imagery Brain-Computer Interfaces

这项研究提出了一种端到端的双分支网络（EEG-DBNet），以解决运用基于运动想象的脑机接口（BCIs）时面临的低信噪比和有限空间分辨率等挑战，从而影响不同动作分类的准确性。该网络通过两个不同的网络分支并行解码EEG信号的时间和频谱序列。每个分支包括一个局部卷积块和一个全局卷积块。局部卷积块将源信号从时空域转换到时频域。通过改变滤波器数量和卷积核大小，不同分支的局部卷积块可以调整其各自维度序列的长度。然后，采用不同类型的池化层来强调各种维度序列的特征，为后续的全局特征提取铺平道路。全局卷积块将局部卷积块在同一分支中处理的信号序列的特征分割和重构，并通过扩张因果卷积神经网络进一步提取特征。最后，两个分支的输出被连接起来，并通过全连接层完成信号分类。该方法在BCI竞赛4-2a和BCI竞赛4-2b数据集上分别实现了85.84%和91.60%的分类精度，超过了现有的最先进模型。源代码可在https://github.com/xicheng105/EEG-DBNet上获取。

本文旨在解决运用脑电图（EEG）信号进行运动想象的脑机接口（BCI）分类存在的低信噪比和有限空间分辨率等挑战，提出了一种双分支网络（EEG-DBNet）的方案。

EEG-DBNet方案通过两个不同的网络分支并行解码EEG信号的时间和频谱序列，局部卷积块将源信号从时空域转换为时频域，全局卷积块通过扩张因果卷积神经网络进一步提取特征，最终通过连接两个分支的输出进行信号分类。

本文在BCI Competition 4-2a和BCI Competition 4-2b数据集上分别实现了85.84%和91.60%的分类准确率，超过了现有的最先进模型。此外，作者还公开了源代码。

近期相关研究包括：《A Deep Learning Framework for Decoding Movement-Related Cortical Potentials from EEG Signals》、《A Hybrid Deep Learning Framework for Motor Imagery Classification Using EEG Signals》等。