DBTNet：一种用于运动想象脑电解码的融合网络

来源：电子测量技术杂志2026年第7期北京时间：

作者：李响，艾尔肯·亥木都拉，王路路

单位：新疆大学智能制造现代产业学院(机械工程学院) 乌鲁木齐 830017

摘要：针对运动想象脑电信号(MI-EEG)空间分辨率低及个体差异性大导致的模型解码性能受限问题，创新性地提出了一种基于注意力双分支卷积网络(ADBCN)和时序多尺度注意力机制(TMSA)的DBTNet模型。该模型通过双分支卷积网络多尺度提取时空特征，结合高效多尺度注意力机制(EMA)强化对EEG信号的空间特征提取能力。随后，采用时序多尺度注意力机制以不同感受野同时捕获局部特征与全局依赖关系，从而获得更丰富的特征信息。最终通过分类器进行特征融合，实现高效解码。在受试者依赖评估方法中，该模型在BCI竞赛IV-2a数据集上的4分类准确率为86.57%，Kappa系数为0.821 0；在BCI竞赛IV-2b数据集上的二分类准确率为88.95%，Kappa系数为0.779 0。实验结果表明，DBTNet模型具有优异的解码性能。

关键词：脑机接口;脑电图;多头注意力;运动想象;双分支卷积网络

基金资助：国家自然科学基金（10971177）项目资助