wordpress网站缓存安装,注册公司如何做网站,wordpress 对象储存,做课件ppt网站近期#xff0c;华中科技大学人工智能与自动化学院伍冬睿教授团队提出并行时空建模的脑电解码模型DBConformer#xff0c;在运动想象、癫痫检测与稳态视觉诱发电位在三个范式的九个数据集中取得了稳定提升#xff0c;效果优于十三个主流模型。论文在线发表于IEEE JBHI 。 论…近期华中科技大学人工智能与自动化学院伍冬睿教授团队提出并行时空建模的脑电解码模型DBConformer在运动想象、癫痫检测与稳态视觉诱发电位在三个范式的九个数据集中取得了稳定提升效果优于十三个主流模型。论文在线发表于IEEE JBHI 。论文地址https://ieeexplore.ieee.org/document/11215634完整模型与对比基线代码已开源https://github.com/wzwvv/DBConformer研究趋势近年来EEG解码模型呈现出混合架构、并行建模及知识嵌入的设计趋势具体来说1.从单一CNN到混合架构早期EEGNet、SCNN、DCNN等CNN模型主要依赖局部卷积提取特征但受限于感受野难以捕捉长程时序依赖。为此研究者开始引入Transformer或Mamba以建模全局上下文设计CNN-Transformer/Mamba混合模型。2.从串行到并行架构大多数模型采用串行设计使空间与时间信息被压缩到单一路径中传播限制了时间与空间、局部与全局特征的交互能力。近年来并行建模成为提升模型解码能力的重要手段如IFNet、FBCNet、FBMSNet等模型引入多频带或多尺度卷积的并行建模。3.从纯数据驱动到知识数据融合越来越多工作开始引入神经生理先验、通道空间结构、频带信息等知识约束推动模型从黑箱拟合向知识引导建模转变。神经科学研究表明大脑对时间节律与空间位置的处理机制具有一定独立性时序与空间特征不应被强制压缩到同一信息通路中。基于此团队设计双分支架构的DBConformer分别显式建模时空特征·CNN-Transformer hybrid兼顾局部特征提取与全局依赖建模·Parallel modeling并行时序与空间分支避免串行结构削弱空间信息·Explicit spatio-temporal modeling将时间节律与通道空间关系显式建模并融合。DBConformer与现有脑电解码模型架构的对比如图1所示。图1DBConformer与现有模型的比较模型架构DBConformer采用双分支并行结构如图2所示·T-Conformer时间分支专注建模长程时序依赖·S-Conformer空间分支专注建模通道间空间关系二个分支独立提取特征后融合从结构上避免时空信息互相覆盖。图2DBConformer模型架构图时间特征提取T-Conformer使用深度可分离卷积和时间卷积的轻量化结构构建patch后通过Transformer Encoder建模patch间长时序依赖获得时间特征。空间特征提取S-Conformer先对每个通道分别卷积与池化再使用通道级Transformer建模空间关系后引入通道注意力模块学习各通道重要性权重最终通过加权求和获得空间特征。时空特征融合所提取的时间特征与空间特征拼接后送入分类头模型参数量仅为EEGConformer的约1/8但性能更优。实验验证团队在运动想象、癫痫检测及稳态视觉诱发电位三个范式的九个公开数据集上开展实验全面验证了模型的被试内、跨被试、跨数据集解码能力。具体地考虑chronological order (CO)、cross-validation (CV)、leave-one- subject-out (LOSO)和cross-dataset (CD)四种实验场景对比CNN类、CNN-Transformer类、CNN-Mamba类等十三个主流模型。结果如下·解码效果在三个范式上DBConformer在所有场景中平均准确率均最优显著优于12个基线模型。其中运动想象范式上相比较EEGNet模型被试内场景平均提升8%跨被试平均提升3%如表1所示。·模型效率DBConformer参数量仅92,066较EEGConformer减少8倍以上推理速度达8.7ms/批次满足实时性要求如表2所示。·消融实验分别移除空间分支、位置编码、通道注意力模块后模型性能均显著下降验证了各核心组件有效性如图3所示。·特征可视化t-SNE可视化结果显示双分支融合特征的类间分离度显著优于单一时间分支验证了时空并行建模的合理性如图4所示。·生理可解释性空间注意力权重分析表明运动想象范式上模型给C3、Cz、C4等感觉运动皮层通道赋予了更高权重与神经生理学先验高度一致表明模型有效建模了通道关系和空间特性如图5所示。表1六个运动想象数据集三种实验场景DBConformer对比现有12种基准模型的解码准确度表2模型参数量、训练时长、推理速度等性能比较图3消融实验结果图4特征可视化结果(a) BNCI2014001, (b) BNCI2014004, (c) Blankertz2007, (d) Zhou2016数据集图5空间注意力权重可视化颜色越深权重越高(a)时间窗口的时间注意力热图(b)脑电通道空间注意力热图(c)通道重要性总结该研究提出了并行时空建模的脑电解码网络DBConformer通过时空双分支并行架构、通道注意力机制等创新设计有效缓解了脑电解码中长时依赖捕捉、时空特征融合、模型效率平衡等核心问题。在三个范式、九个数据集、四种实验场景中的结果表明DBConformer兼具高精准性、泛化性和可解释性且参数量小、推理速度快为脑电解码模型提供了一种可扩展的结构范式。未来团队将进一步拓展模型的多模态信息融合与实时解码能力推动其落地应用。研究团队信息本研究由华中科技大学脑机接口与机器学习研究团队完成博士研究生王紫薇为论文第一作者伍冬睿教授为通讯作者。论文信息Z. Wang, H. Wang, T. Jia, X. He, S. Li, and D. Wu, “DBConformer: Dual-Branch Convolutional Transformer for EEG Decoding,” IEEE Journal of Biomedical and Health Informatics, 2026, in press.开源代码https://github.com/wzwvv/DBConformer仅用于学术分享若侵权请留言即时删侵推荐阅读脑机专访脑机专访 | 消费级脑机接口商业化破局从科研到产品的“最后一公里”——对话脑韵科技创始人王朝阳脑机专访 | 什么才是“好的脑机接口”核心指标是什么——对话微灵医疗创始人李骁健1月动态开年即沸腾强脑融资20亿、多地入局、国标提速——2026年1月脑机接口大事记推广丨商务合作请联系微信ZuoLeiLeiya交流 | 加群交流请联系微信RoseBCI投稿丨成为创作者请联系微信RoseBCI一键关注点亮星标不错过每一条脑机前沿进展一键三连「分享」、「点赞」和「在看」欢迎在评论区聊聊