EEG-Deformer: Um Transformer Convolucional Denso para Interfaces cérebro-computador

Aprender efetivamente a dinâmica temporal em sinais de eletroencefalograma (EEG) é desafiador, mas essencial para decodificar as atividades cerebrais usando interfaces cérebro-computador (BCIs). Embora Transformers sejam populares por sua capacidade de aprendizado sequencial de longo prazo no campo de BCI, a maioria dos métodos que combinam Transformers com redes neurais convolucionais (CNNs) não consegue capturar a dinâmica temporal de grossa a fina dos sinais EEG. Para superar essa limitação, introduzimos o EEG-Deformer, que incorpora dois componentes principais e inovadores em um CNN-Transformer: (1) um bloco Transformer Hierárquico de Grosso a Fino (HCT) que integra um ramo de Aprendizado Temporal de Granularidade Fina (FTL) nos Transformers, discernindo efetivamente padrões temporais de grossos a finos; e (2) um módulo de Purificação de Informação Densa (DIP), que utiliza informações temporais purificadas em múltiplos níveis para aumentar a precisão da decodificação. Experimentos abrangentes em três tarefas cognitivas representativas verificam consistentemente a generalização do nosso EEG-Deformer, demonstrando que ele supera os métodos atuais de estado da arte ou é comparável a eles. Resultados de visualização mostram que o EEG-Deformer aprende a partir de regiões cerebrais neurofisiologicamente significativas para as tarefas cognitivas correspondentes. O código-fonte pode ser encontrado em https://github.com/yi-ding-cs/EEG-Deformer.