机构名称：
¥ 1.0
Transformer是一种具有自我注意力机制的深度学习模型，结合了卷积神经网络（CNN），已成功应用于运动成像（MI）脑部计算机界面（BCI）中的解码脑电图（EEG）信号。然而，EEG的极其非线性的非平稳性特征限制了深度学习方法的效果和效率。此外，多种受试者和实验会议都会影响模型适应性。在这项研究中，我们提出了一种基于本地和全球卷积变压器分类的方法。将局部变压器编码器组合在一起，以动态提取时间特征并弥补CNN模型的缺点。获得了所有通道的空间特征和半球的差异以提高模型的鲁棒性。为了获取足够的时间空间特征表示，我们将全局变压器编码器和密集连接的网络结合在一起，以改善信息流和重复使用。为了验证拟议模型的性能，设计了三种包括会议，跨课程和两协议的情况。在实验中，与当前的最新模型相比，在三种情况下，提出的方法在三种情况下分别实现了高达1.46％，7.49％和7.46％的精度。在BCI竞争IV 2A数据集中，拟议的模型还分别为跨课程和两场比赛的情况提高了2.12％和2.21％。结果证实了所提出的方法可以从EEG信号中提取更丰富的MI特征，并改善BCI应用程序中的性能。
基于本地和全球卷积变压器的机车图像EEG分类
主要关键词
相关文件推荐
