Cognitive Neurodynamics：基于时-空特征增强的运动想象脑电解码模型

本文介绍了上海大学脑机工程研究中心团队提出的时空特征增强网络（DSTA-Net），用于优化运动想象脑电（MI-EEG）解码性能。研究背景强调了MI-EEG解码在运动想象脑机接口（MI-BCI）临床应用中面临的挑战，包括噪声干扰、高维数据特性和非平稳性。研究方法中，DSTA-Net通过多尺度时域卷积、约束型分组空间卷积和空间特征线性映射等模块，在多个数据集上验证了性能。主要结果显示，DSTA-Net在多个数据集上取得了较高的分类准确率，并通过消融实验验证了各模块的有效性。此外，基于DeppLIFT的特征可解释性分析揭示了脑电特征与解码效果之间的联系。