Ein leichtgewichtiges Dual-Attention-Neuronales Netzwerk zur robusten und effizienten EEG-Motorik-Imagination-Decodierung

Das auf motorischer Imagination basierende Gehirn-Computer-Interface (MI-BCI) steht vor der Herausforderung, eine effektive raumzeitliche Merkmalsmodellierung bei gleichzeitig kompakter Modellparameterisierung zu erreichen. Hier wurde ein leichtgewichtiges Modell vorgeschlagen, genannt Dual-Attention-EEGNet (DA-EEGNet), das das EEGNet-Backbone durch Integration eines Kanal-Aufmerksamkeitsmoduls und eines Tiefen-Aufmerksamkeitsmoduls erweitert, um selektiv informative Elektroden und zeitlich diskriminative Merkmale hervorzuheben. Zur Überprüfung der Modellleistung wurden zwei weit verbreitete MI-Benchmark-Datensätze und drei Evaluationsstrategien verwendet, d. h. subjektabhängiges Szenario, subjektunabhängiges Szenario und datensatzunabhängiges Klassifikationsszenario. Trotz seines kompakten Designs enthält DA-EEGNet lediglich 3,97k trainierbare Parameter und erreicht durchschnittliche Klassifikationsgenauigkeiten von 79,12 ± 13,09 % und 86,12 ± 11,92 %, wobei es bestehende Deep-Learning-Ansätze, die erheblich mehr Parameter verwenden, übertrifft oder entspricht. Ablationsstudien bestätigen zudem die komplementären Beiträge der Kanal- und Tiefen-Aufmerksamkeitsmodule. Darüber hinaus zeigen Visualisierungsanalysen, einschließlich zeitlicher Aufmerksamkeits-Hitzekarten und motorischer Areal-Topographien, dass DA-EEGNet neurophysiologisch bedeutungsvolle raumzeitliche Muster erfasst, die mit MI-bezogener Gehirnaktivität übereinstimmen. Diese Ergebnisse deuten darauf hin, dass DA-EEGNet ein günstiges Verhältnis von Parametern zu Genauigkeit bietet und als effiziente sowie interpretierbare Basislinie für MI-BCI-Anwendungen dient.