坐标感知时空Transformer实现多通道EEG去噪的跨电极配置泛化:DC-MASTAE模型的研究与应用

《IEEE Aerospace and Electronic Systems Magazine》:DC-MASTAE: A Coordinate-Aware Spatio-Temporal Transformer for Multi-Channel EEG Denoising in BCI Applications

【字体: 大 中 小 】 时间:2026年10月21日 来源:IEEE Aerospace and Electronic Systems Magazine 5.1

编辑推荐:

   摘要:脑电图(EEG)伪迹去除仍是脑机接口(BCI)可靠部署中的重大挑战。运动想象、稳态视觉诱发电位(SSVEP)和P300等脑机接口框架依赖于皮层节律的准确保留以实现一致解码。传统的基于深度学习的EEG去噪器通常在数据集内部的线性混合上进行训练,且局限于固定的电极配置。由于

  摘要:脑电图(EEG)伪迹去除仍是脑机接口(BCI)可靠部署中的重大挑战。运动想象、稳态视觉诱发电位(SSVEP)和P300等脑机接口框架依赖于皮层节律的准确保留以实现一致解码。传统的基于深度学习的EEG去噪器通常在数据集内部的线性混合上进行训练,且局限于固定的电极配置。由于这些模型将EEG通道视为无序集合并忽略了头皮的空间几何结构,因此在新的电极排布上需要重新训练。因此,当从单通道转向多通道输入时,大多数方法都会出现相关系数(CC)值的显著下降。为应对这些挑战,本研究提出了DC-MASTAE——一种面向多通道EEG去噪的坐标感知时空Transformer模型。该方法引入了一种在电极间具有置换不变性的注意力机制,同时通过坐标位置编码和逐头距离偏置(DistanceBias)以电极的三维笛卡尔坐标作为条件进行调节。该设计使得单一训练模型仅通过替换坐标表即可部署到不同的通道排布上。此外,跨被试自监督注入流程和域解耦频谱一致性损失使得模型能够在无需配对参考真值的无标签临床EEG数据上进行训练。实验结果表明,所提出的DC-MASTAE将单通道到多通道的性能下降从约0.14–0.35 CC降至0.036 CC,同时在GPU实时推理下,在运动想象、SSVEP和P300范式中保留了皮层任务特征。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号