轻量时空分类网络

高伽马频段精度领先

该模型采用谱-空间-时间表示，可从原始EEG中提取多维动态特征，在仅需标准分割的条件下超越现有方法。

Elhalawany, Basem M. · Fares, Ahmed

Scientific Reports 2026

参数信息

分类准确率

100 %

技术优势

精度破百

在高伽马频段使用标准数据集分割即可获得100%的分类准确率，无需复杂协议。

盖过同类

在相同评价协议下优于现有方法，证明其捕捉复杂神经特征的有效性。

轻量高效

采用轻量级深度学习架构优化时空特征提取，适合便携式EEG设备的实时应用。

应用场景

• 脑机接口视觉解码：高精度解码视觉刺激，可推动BCI在实时控制与神经科学研究中的应用。
• 实时神经信号分类：轻量架构支持快速推理，适合对神经信号进行实时分类与反馈。
• 便携式EEG系统：模型轻量且准确率高，可部署于便携式EEG设备，实现低功耗在线分类。