DBTSP-Net MI-EEG解码模型
采用双分支时空并行网络与Optuna优化的自适应特征融合,提升运动想象脑电解码的准确性与稳定性,为脑机接口运动控制和神经康复训练提供基础。
Xin, Chen · Longjie, Yu · Hongze, Lin · 都明宇 · 位机 · Wu, Xinyu · 鲍官军 · Cai, Shibo
Neurocomputing 2026
参数信息
- 平均分类准确率(2a数据集)
- 79.61 %
- 平均分类准确率(2b数据集)
- 86.21 %
- Kappa值(2a数据集)
- 0.7856
- Kappa值(2b数据集)
- 0.7189
技术优势
准确率超越现有模型
在两大公开数据集上平均分类准确率分别达到79.61%和86.21%,显著高于对比方法。
设计合理有据
通过消融实验验证了每个模块设计的合理性。
开源可直接使用
代码已开源,可快速集成到现有脑机接口系统中。
应用场景
- 运动想象脑机接口:提升运动想象信号的解码准确率,使脑控设备响应更稳定。
- 神经康复训练:为康复训练提供精确的运动意图识别,辅助患者重建运动功能。
- 人机交互控制:增强人机交互中的运动意图解码,实现更自然流畅的控制体验。
相关科技单元