基于全局注意力的Gam-EEGNet在SSVEP分类中的应用

来源：电子测量技术杂志2024年第22期北京时间：

作者：刘俊杰，谢俊，王虎，胡博

单位：新疆大学机械工程学院 乌鲁木齐 830017

摘要：稳态视觉诱发电位（SSVEP）作为脑机接口（BCI）系统中的重要信号类型，因其高稳定性和易操作性而广泛应用于BCI研究。在过去的研究中，已有许多方法在SSVEP信号分类中取得了显著进展，但依然面临着信噪比低、信号非平稳性和个体差异大的挑战。为进一步提升SSVEP分类的准确性和实用性，本文提出了一种结合全局注意力机制与紧凑脑电网络（EEGNet）的新型神经网络架构——Gam-EEGNet。EEGNet作为一种紧凑、高效且适应性强的基础模型，在SSVEP信号处理中具有重要作用。通过在EEGNet中引入全局注意力机制，Gam-EEGNet能够更精确地提取和表征SSVEP信号特征，从而有效降低个体差异和噪声的影响。实验采用了涵盖12种不同频率的SSVEP脑电数据，并将Gam-EEGNet与典型卷积神经网络（CCNN）、滤波器组时间卷积神经网络（FB-tCNN）和滤波器组-时间卷积神经网络（SSVEPNet）等主流深度学习方法进行了分类性能对比。结果表明，Gam-EEGNet在不同时间窗口下的分类准确率和信息传输率（ITR）均优于其他方法，特别是在0.7 s的短时间窗口内，分类精度达到86.58%；在1 s时间窗内，多名被试者的平均识别准确率超过95%，ITR超过189 bits/min。此外，Gam-EEGNet在训练过程中表现出更好的收敛性和稳定性，具有更快的收敛速度和更低的训练误差。这些结果表明，Gam-EEGNet在SSVEP信号分类中展现出显著的性能提升，尤其适用于实时BCI系统中的快速响应场景，具有广泛的应用潜力。

关键词：深度学习;脑-机接口;稳态视觉诱发电位;全局注意力机制;Gam-EEGNet模型

基金资助：国家自然科学基金（52365040）项目资助