Spatiotemporale Aufmerksamkeit für die Decodierung von Motorik-Elektroenzephalogramm (MI-EEG)

Die Entwicklung von Gehirn-Computer-Schnittstellen (BCI) hat in den letzten Jahren erheblich an Bedeutung gewonnen. Eine der größten Herausforderungen in diesem Bereich ist die präzise Decodierung von Motorik-Elektroenzephalogramm (MI-EEG) Signalen. In diesem Artikel stellen wir das TCANet vor, ein innovatives Modell, das auf einer Kombination aus mehrskaligen Faltungen, zeitlicher Kompression und gestapelter Selbstaufmerksamkeit basiert, um diese Herausforderung zu meistern.

Einführung in TCANet

Das TCANet (Temporal Convolutional Attention Network) ist ein neuartiges, end-to-end Modell, das entwickelt wurde, um die spatiotemporalen Abhängigkeiten von MI-EEG Signalen hierarchisch zu erfassen. Es integriert lokale, fusionierte und globale Merkmale, um die Komplexität und Variabilität der MI-EEG Signale zu bewältigen.

Architektur und Funktionsweise

Die Architektur von TCANet besteht aus mehreren Schlüsselkomponenten:

• Multi-Skalen Faltungsmodule: Diese Module extrahieren lokale spatiotemporale Repräsentationen über mehrere zeitliche Auflösungen hinweg.
• Temporale Faltungsmodule: Diese Module fusionieren und komprimieren die mehrskaligen Merkmale und modellieren sowohl kurz- als auch langfristige Abhängigkeiten.
• Gestapelte Multi-Head Selbstaufmerksamkeit: Diese Mechanismen verfeinern die globalen Repräsentationen, bevor sie in einer vollständig verbundenen Schicht zur MI-EEG Klassifikation verwendet werden.

Leistungsbewertung

Das TCANet wurde systematisch auf den BCI IV-2a und IV-2b Datensätzen evaluiert. In der subjektabhängigen Klassifikation erzielte das Modell beeindruckende Genauigkeiten von 83,06% und 88,52% auf den BCI IV-2a und IV-2b Datensätzen, mit entsprechenden Kappa-Werten von 0,7742 und 0,7703. Diese Ergebnisse übertreffen die Leistungen mehrerer repräsentativer Baselines.

Herausforderungen und zukünftige Perspektiven

Obwohl TCANet in der subjektabhängigen Klassifikation hervorragende Ergebnisse erzielt hat, bleibt die subjektunabhängige Klassifikation eine Herausforderung. Das Modell zeigte jedoch auch in diesem Bereich konkurrenzfähige Leistungen, insbesondere auf dem BCI IV-2a Datensatz, und hat Potenzial für Verbesserungen auf dem IV-2b Datensatz.

Fazit

Das TCANet stellt einen bedeutenden Fortschritt in der Decodierung von MI-EEG Signalen dar. Durch die Kombination von mehrskaligen Faltungen, zeitlicher Kompression und Selbstaufmerksamkeit bietet es eine vielversprechende Lösung für die Herausforderungen in der Entwicklung von BCI-Systemen. Zukünftige Arbeiten sollten sich darauf konzentrieren, die Leistung des Modells in subjektunabhängigen Szenarien weiter zu verbessern und die Anwendbarkeit in realen BCI-Anwendungen zu testen.

Quellenliste:

• Quelle: TCANet: A Temporal Convolutional Attention Network for Motor Imagery EEG Decoding
• Cogn Neurodyn 19, 91 (2025)
• DOI: 10.1007/s11571-025-10275-5