文章详情

摘要

为提升运动想象脑电（MI-EEG）解码的精度与鲁棒性，文章提出一种密集黎曼注意力网络。该模型融合高效特征编码、二阶统计建模与层次化注意力机制：首先，通过一维卷积与空间-频谱注意力提取时空特征；其次，引入可堆叠的分层黎曼注意力块，对协方差特征进行深度建模，并结合密集连接增强特征复用；最后，利用多尺度结构实现不同时间尺度信息的建模。实验结果表明，该方法在BCI Competition IV-2a数据集上取得82.79%的平均分类准确率，显著优于EEGNet的71.95%与FBCNet的76.52%，验证了该模型在MI-EEG解码任务中的有效性与泛化能力。

关键词

脑电信号；运动想象；注意力机制；深度学习；脑机接口

参考文献

1. [1] VAFAEI E，HOSSEINI M. Transformers in EEG Analysis：A Review of Architectures and Applications in Motor Imagery，Seizure，and Emotion Classification [J/OL].Sensors，2025，25（5）：1293（2025-02-20）.https://doi.org/10.3390/s25051293.
2. [2] YANG X，JIA Z. Spatial-Temporal Mamba Network for EEG-Based Motor Imagery Classification [C]//International Conference on Advanced Data Mining and Applications.Singapore：Springer，2024：418-432.
3. [3] WANG J，YE W，HE J，et al. Integrating Biological and Machine Intelligence: Attention Mechanisms in Brain Computer Interfaces [J/OL].Information Fusion，2025：103417（2025-07-02）.https://doi.org/10.1016/j.inffus.2025.103417.
4. [4] LIU H，YANG S，ZHANG Y，et al. LIBEER: A Comprehensive Benchmark and Algorithm Library for EEG-Based Emotion Recognition [J].IEEE Transactions on Affective Computing，2025，16（4）：3596-3613.
5. [5] MA X，CHEN W，PEI Z，et al. A Temporal Dependency Learning CNN With Attention Mechanism for MI-EEG Decoding [J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2023，31：3188-3200.
6. [6] JIN M，DU C，HE H，et al. PGCN：Pyramidal Graph Convolutional Network for EEG Emotion Recognition [J].IEEE Transactions on Multimedia，2024，26：9070-9082.
7. [7] LI C，WANG F，ZHAO Z，et al. Attention-Based Temporal Graph Representation Learning for EEG-Based Emotion Recognition [J].IEEE Journal of Biomedical and Health Informatics，2024，28（10）：5755-5767.
8. [8] XU B，ZHANG X，ZHANG X，et al. DDNet: A Hybrid Network Based on Deep Adaptive Multi-Head Attention and Dynamic Graph Convolution for EEG Emotion Recognition [J/OL].Signal，Image and Video Processing，2025，19（4）：293（2025-01-26）.https://doi.org/10.1007/s11760-025-03876-4.
9. [9] MIAO Z，ZHAO M，ZHANG X，et al. LMDA-Net：A Lightweight Multi-Dimensional Attention Network for General EEG-Based Brain-Computer Interfaces and Interpretability [J/OL].NeuroImage，2023，276：120209（2023-06-06）.https://doi.org/10.1016/j.neuroimage.2023.120209.
10. [10] ZHU X，LIU C，ZHAO L，et al. EEG Emotion Recognition Network Based on Attention and Spatiotemporal Convolution [J/OL].Sensors，2024，24（11）：3464（2024-05-27）.https://doi.org/10.3390/s24113464.
11. [11] MA X，CHEN W，PEI Z，et al. Attention-Based Convolutional Neural Network With Multi-Modal Temporal Information Fusion for Motor Imagery EEG Decoding [J/OL].Computers in Biology and Medicine，2024，175：108504（2024-06-01）.https://doi.org/10.1016/j.compbiomed.2024.108504.
12. [12] DING Y，LI Y，SUN H，et al. EEG-Deformer：A Dense Convolutional Transformer for Brain-Computer Interfaces [J].IEEE Journal of Biomedical and Health Informatics，2025，29（3）：1909-1918.
13. [13] DEVARAJAN K，PONNAN S，PERUMAL S. Hybrid CNN-Transformer Architecture for Enhanced EEG-Based Emotion Recognition:Capturing Local and Global Dependencies With Self-Attention Mechanisms [J/OL].Discover Computing，2025，28（1）：87（2025-05-22）.https://link.springer.com/article/10.1007/s10791-025-09596-0.
14. [14] LUO J，WANG Y，XIA S，et al. A Shallow Mirror Transformer for Subject-Independent Motor Imagery BCI [J/OL].Computers in Biology and Medicine，2023，164：107254（2023-07-25）.https://doi.org/10.1016/j.compbiomed.2023.107254.
15. [15] HAN C，LIU C，WANG J，et al. A Spatial–Spectral and Temporal Dual Prototype Network for Motor Imagery Brain–Computer Interface [J/OL].Knowledge-Based Systems，2025，315：113315（2025-03-18）.https://doi.org/10.1016/j.knosys.2025.113315.
16. [16] LIANG W，ALLISON B Z，XU R，et al. SecNet：A Second Order Neural Network for MI-EEG [J/OL].Information Processing & Management，2025，62（3）：104012（2024-12-06）.https://doi.org/10.1016/j.ipm.2024.104012.

基金项目

陕西省科技计划项目（2023-JC-QN-0744）；陕西省教育厅科研计划项目（23JK0738）；横向项目（YDYZH20241231）

作者简介

王龙（1999—），男，汉族，陕西延安人，硕士在读，研究方向：深度学习、脑电信号；通信作者：杨战海（1973—），男，汉族，陕西泾阳人，副教授，硕士研究生，研究方向：软件工程、网络控制。