EEG-MFNet:适用于脑电信号分析的轻量级多分支融合网络

摘要

为解决脑电数据分辨率低、数据量不足以及被试者个体差异所导致的解码效率低下问题，提出适于脑电信号分析的轻量级多分支融合网络(multi-branch fusion network for electroencephalogram signal, EEG-MFNet)模型。通过多尺度时空卷积模块提取脑电数据的多层次时空特征，应用多尺度时间卷积提取更高级的时-空-频域特征，对输入分类器的特征数据应用滑动窗口，增强数据的有效特征。EEG-MFNet模型的平均分类准确率、标准差相比对比模型分别提升3.19%、22.86%以上，模型推理时间减少16.87%以上。实验结果表明所提方法提高运动想象脑电信号分类准确率，并增强模型的稳定性，提升了模型的训练效率，为基于运动想象的脑电信号分析提供更有效的解码方案。

关键词

多尺度卷积 / 滑动窗口 / 运动想象 / 脑机接口 / 脑电信号