DOI: https://doi.org/10.3389/fnbot.2025.1704111
PMID: https://pubmed.ncbi.nlm.nih.gov/41585948
تاريخ النشر: 2026-01-09
المؤلف: Shu Wang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث شبكة التلافيف الزمنية متعددة المقاييس المعززة بالبيانات (AMANet) المصممة لتعزيز أداء تصنيف تخطيط الدماغ الكهربائي (EEG) الخاص بتخيل الحركة، مع معالجة التحديات مثل محدودية عينات EEG الخاصة بتخيل الحركة وقابلية التعرض للضوضاء. تتكون AMANet من أربعة وحدات رئيسية: وحدة تعزيز البيانات التي تستخدم تقسيم النافذة المنزلقة، واستخراج النمط المكاني المشترك (CSP)، والتدرج الخطي؛ تلافيف زمنية متعددة المقاييس لاستخراج الميزات الديناميكية؛ آلية انتباه ECA لضبط وزن القناة بشكل تكيفي؛ وتلافيف قابلة للفصل بعمق لدمج الميزات وتصنيفها بشكل فعال. تظهر النتائج التجريبية أن AMANet تحقق دقة تصنيف تبلغ 84.06% و85.09% على مجموعات بيانات BCI Competition IV 2a و2b، على التوالي، و95.48% على مجموعة بيانات High-Gamma، متفوقة بشكل كبير على النماذج الأساسية مثل Incep-EEGNet.
يخلص الدراسة إلى أن AMANet تخفف بشكل فعال من الإفراط في التكيف وتعزز استخراج ميزات EEG التمييزية من خلال تصميمها المعماري. تؤكد التحليلات المنهجية لأحجام نوى التلافيف، وآليات الانتباه، وأطوال النوافذ المنزلقة على المساهمات الإيجابية للهيكل متعدد المقاييس وآلية الانتباه في الأداء. بينما تم التحقق من صحة النموذج ضد عدة طرق أساسية مستقرة، يعترف المؤلفون بوجود قيد في عدم تضمين نماذج أكثر تعقيدًا تم اقتراحها مؤخرًا. ستسعى الأعمال المستقبلية إلى دمج هذه الهياكل المتقدمة لتقييم شامل والتركيز على تحسين التعميم عبر الموضوعات وتحسين النموذج للنشر في بيئات محدودة الموارد. يتم تعريف المعلمات الرئيسية مثل عدد قنوات EEG (22)، والفلاتر المكانية (C)، ونقاط العينة (T)، وأحجام نوى التلافيف (K) لتوفير وضوح حول تكوين النموذج.
مقدمة
تناقش مقدمة الورقة أهمية واجهات الدماغ-الكمبيوتر (BCIs)، مع التركيز بشكل خاص على واجهة الدماغ-الكمبيوتر الخاصة بتخيل الحركة (MI-BCI)، التي تسمح بالتواصل بين الدماغ والأجهزة الخارجية دون تدخل جسدي. يبرز المؤلفون مزايا MI-BCI، مثل عدم تدخله وارتفاع دقته الزمنية، ويؤكدون على أهمية فك تشفير إشارات تخطيط الدماغ الكهربائي (EEG) بدقة للتطبيقات في الأطراف الصناعية، وإعادة التأهيل، والتفاعل بين الإنسان والآلة. ومع ذلك، يشيرون إلى أن التحديات مثل تعقيد الحصول على EEG وأحجام العينات المحدودة تعيق أداء فك التشفير، مما يستلزم تحسين الدقة في ظل ظروف العينات الصغيرة.
لمعالجة هذه التحديات، يستعرض المؤلفون نماذج مختلفة تعتمد على الشبكات العصبية التلافيفية (CNN) التي تم تطويرها لتعزيز استخراج الميزات والتصنيف في سيناريوهات العينات الصغيرة. يناقشون عدة طرق، بما في ذلك دمج تقنيات تعزيز البيانات وهياكل التلافيف متعددة المقاييس، التي أظهرت وعدًا في تحسين دقة التصنيف. على الرغم من هذه التقدمات، يشير المؤلفون إلى أن الطرق الحالية غالبًا ما تفتقر إلى آليات تكيفية لتسليط الضوء على المعلومات البارزة وكبح الضوضاء، وهو أمر حاسم لفك التشفير الفعال. وبالتالي، يقدمون AMANet، وهي شبكة تلافيف زمنية متعددة المقاييس معززة بالبيانات مصممة لتعزيز أداء فك تشفير EEG. يتضمن هذا النموذج عدة مكونات مبتكرة، بما في ذلك كتلة تعزيز البيانات، وكتلة زمنية متعددة المقاييس، وآلية انتباه القناة الفعالة، تهدف إلى تحسين تمثيل الميزات والتعميم في بيئات إشارات EEG المعقدة.
طرق
تم تصميم الطرق المستخدمة في هيكل AMANet لتعزيز قوة وفعالية تصنيف إشارات EEG. في البداية، يتم استخدام كتلة تعزيز البيانات (DG Block) لتوسيع مجموعة التدريب. ثم تستخرج البنية ميزات زمنية ومكانية من خلال كتلة زمنية متعددة المقاييس (MST-Block)، والتي تشمل كتلة ميزات زمنية متعددة المقاييس (MS-Block) وكتلة تنقيح الميزات المكانية (ST-Block). يتم تطبيق آلية انتباه القناة الفعالة (ECA) لإعادة وزن ميزات القناة بشكل تكيفي، مما يبرز المعلومات الأكثر تمييزًا. يتم تحقيق دمج المعلومات الزمانية والمكانية عبر DSC-Block، مما يؤدي إلى طبقة تصنيف تعين الميزات المدمجة إلى الفئات المستهدفة.
لمعالجة الخصائص الفريدة لإشارات EEG، تنفذ الدراسة هيكل تلافيفي زمني متعدد المراحل. تسمح هذه الطريقة بالنمذجة الزمنية الهرمية بدلاً من مجرد تكديس التلافيف. تستخدم المرحلة الأولى وحدات تلافيفية متعددة المقاييس لاستخراج ميزات خشنة عبر مقاييس زمنية مختلفة، مما يعمل بشكل فعال كخزان فلتر متعدد النطاقات قابل للتعلم. تقوم المرحلة الثانية بتنقيح هذه الميزات من خلال دمج زمني دقيق وتصفية مكانية، بينما تعزز المرحلة الثالثة الميزات الزمنية وتقلل الضوضاء باستخدام تلافيف قابلة للفصل بعمق وآلية انتباه قناة خفيفة الوزن. يتم استخدام الحشو في كل طبقة تلافيفية للحفاظ على أبعاد التنسور متسقة، وتستخدم تفعيلات ELU للتخفيف من مشاكل “الخلايا العصبية الميتة” المرتبطة بـ ReLU. تقوم آلية ECA بتطبيع أوزان القناة باستخدام دالة سيغمويد لمنع القيم المتطرفة من تشويه تمثيل الميزات.
نتائج
في هذه الدراسة، تم تدريب AMANet وتقييمها على مجموعة بيانات BCI Competition IV ذات الأربع فئات 2a، ومجموعة البيانات الثنائية 2b، ومجموعات بيانات High-Gamma. تم مقارنة دقة تصنيف AMANet ضد النماذج الأساسية، مع تقديم النتائج من خلال مصفوفات الارتباك لتوضيح اختلافات الأداء.
تم إجراء تجارب إلغاء لتقييم مساهمات تقنية النمط المكاني المشترك (CSP) وهيكل AMANet. بالإضافة إلى ذلك، تضمنت الدراسة ضبط المعلمات الرئيسية، بما في ذلك عدد الفلاتر الزمنية والمكانية، لتحديد التكوين الأمثل لنموذج التصنيف. تؤكد هذه النتائج فعالية AMANet في تعزيز دقة التصنيف في تطبيقات واجهة الدماغ-الكمبيوتر.
مناقشة
ت outlines قسم المناقشة في ورقة البحث المنهجيات المستخدمة في نموذج AMANet المقترح لتصنيف إشارات EEG، مع التأكيد على أهمية تعزيز البيانات واستخراج الميزات الزمنية متعددة المقاييس. تستخدم كتلة تعزيز البيانات نهج النافذة المنزلقة لإنشاء نوافذ فرعية متداخلة من إشارات EEG، مما يعزز حجم مجموعة البيانات وقوة النموذج دون التضحية بالدقة الزمنية. ثم يتم تطبيق خوارزمية النمط المكاني المشترك (CSP) لاستخراج الميزات المكانية، مما يضمن عدم حدوث تسرب للبيانات بين مجموعات التدريب والاختبار. علاوة على ذلك، يتم تقديم التدرج الخطي لمحاكاة تباينات السعة، مما يساعد في التخفيف من الإفراط في التكيف وتحسين قوة النموذج.
تم تصميم الكتلة الزمنية متعددة المقاييس (MST-Block) لالتقاط الميزات الزمنية ديناميكيًا من خلال عدة طبقات تلافيفية بأحجام نوى متغيرة، تليها تطبيع دفعي ودوال تفعيل لتعزيز استقرار النموذج. يتم دمج آلية انتباه القناة الفعالة (ECA) لإعطاء الأولوية لقنوات الميزات التمييزية، مما يحسن تركيز النموذج على الميزات المكانية ذات الصلة. بالإضافة إلى ذلك، يتم استخدام كتلة دمج قابلة للفصل بعمق (DSF) لاستخراج ميزات زمنية أعمق مع الحفاظ على سلامة معلومات القناة. تستخدم كتلة التصنيف طبقات متصلة بالكامل لربط الميزات بمخرجات الفئات، باستخدام CrossEntropyLoss لحساب الخسارة بشكل فعال. بشكل عام، تظهر النتائج أن كل مكون من مكونات هيكل AMANet يساهم بشكل كبير في أدائه في التصنيف، مع نتائج تجريبية تشير إلى دقة متفوقة مقارنة بالنماذج المرجعية عبر مجموعات بيانات مختلفة.
DOI: https://doi.org/10.3389/fnbot.2025.1704111
PMID: https://pubmed.ncbi.nlm.nih.gov/41585948
Publication Date: 2026-01-09
Author(s): Shu Wang et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents a Data-Augmented Multi-Scale Temporal Attention Convolutional Network (AMANet) designed to enhance motor imagery EEG classification performance, addressing challenges such as limited MI-EEG samples and susceptibility to noise. AMANet comprises four key modules: a data augmentation module that employs sliding-window segmentation, Common Spatial Pattern (CSP) extraction, and linear scaling; a multi-scale temporal convolution for dynamic feature extraction; an ECA attention mechanism for adaptive channel weight adjustment; and depthwise separable convolution for effective feature integration and classification. Experimental results demonstrate that AMANet achieves classification accuracies of 84.06% and 85.09% on the BCI Competition IV Datasets 2a and 2b, respectively, and 95.48% on the High-Gamma dataset, significantly outperforming baseline models like Incep-EEGNet.
The study concludes that AMANet effectively mitigates overfitting and enhances the extraction of discriminative EEG features through its architectural design. Systematic analyses of convolutional kernel sizes, attention mechanisms, and sliding window lengths confirm the positive contributions of the multi-scale structure and attention mechanism to performance. While the model has been validated against several stable baseline methods, the authors acknowledge a limitation in not including more complex, recently proposed models. Future work will aim to incorporate these advanced architectures for a comprehensive evaluation and focus on improving cross-subject generalization and optimizing the model for deployment in resource-constrained environments. Key parameters such as the number of EEG channels (22), spatial filters (C), sampling points (T), and convolution kernel sizes (K) are defined to provide clarity on the model’s configuration.
Introduction
The introduction of the paper discusses the significance of Brain-Computer Interfaces (BCIs), particularly focusing on Motor Imagery BCI (MI-BCI), which allows for communication between the brain and external devices without physical intervention. The authors highlight the advantages of MI-BCI, such as its noninvasiveness and high temporal resolution, and emphasize the importance of accurately decoding electroencephalogram (EEG) signals for applications in prosthetics, rehabilitation, and human-machine interaction. However, they note that challenges such as the complexity of EEG acquisition and limited sample sizes hinder decoding performance, necessitating improvements in accuracy under small-sample conditions.
To address these challenges, the authors review various convolutional neural network (CNN)-based models that have been developed to enhance feature extraction and classification in small-sample scenarios. They discuss several approaches, including the integration of data augmentation techniques and multi-scale convolution structures, which have shown promise in improving classification accuracy. Despite these advancements, the authors point out that existing methods often lack adaptive mechanisms to emphasize salient information and suppress noise, which is crucial for effective decoding. Consequently, they introduce AMANet, a novel data-augmented multi-scale temporal attention convolutional network designed to enhance EEG decoding performance. This model incorporates several innovative components, including a data augmentation block, multi-scale temporal block, and efficient channel attention mechanism, aimed at improving feature representation and generalization in complex EEG signal environments.
Methods
The methods employed in the AMANet architecture are designed to enhance the robustness and effectiveness of EEG signal classification. Initially, a data augmentation block (DG Block) is utilized to expand the training set. The architecture then extracts both temporal and spatial features through a multi-scale temporal block (MST-Block), which includes a multi-scale temporal feature block (MS-Block) and a spatial feature refinement block (ST-Block). An Efficient Channel Attention (ECA) mechanism is applied to adaptively reweight channel features, emphasizing the most discriminative information. The integration of spatiotemporal information is achieved via the DSC-Block, culminating in a classification layer that assigns the fused features to target classes.
To address the unique characteristics of EEG signals, the study implements a multi-stage temporal convolutional architecture. This approach allows for hierarchical temporal modeling rather than simple stacking of convolutions. The first stage employs multi-scale convolution modules to extract coarse-grained features across various temporal scales, effectively acting as a learnable multi-band filter bank. The second stage refines these features through fine-grained temporal integration and spatial filtering, while the third stage enhances temporal features and reduces noise using depthwise separable convolutions and lightweight channel attention. Padding is utilized in each convolutional layer to maintain consistent tensor dimensions, and ELU activations are employed to mitigate “dead neuron” issues associated with ReLU. The ECA mechanism normalizes channel weights using a sigmoid function to prevent extreme values from skewing feature representation.
Results
In this study, AMANet was trained and evaluated on the four-class BCI Competition IV Dataset 2a, the binary Dataset 2b, and High-Gamma datasets. The classification accuracy of AMANet was compared against baseline models, with results presented through confusion matrices to illustrate performance differences.
Ablation experiments were performed to assess the contributions of the Common Spatial Pattern (CSP) technique and the AMANet architecture. Additionally, the study involved tuning key parameters, including the number of temporal and spatial filters, to identify the optimal configuration for the classification model. These findings underscore the effectiveness of AMANet in enhancing classification accuracy in brain-computer interface applications.
Discussion
The discussion section of the research paper outlines the methodologies employed in the proposed AMANet model for EEG signal classification, emphasizing the significance of data augmentation and multi-scale temporal feature extraction. The data augmentation block utilizes a sliding window approach to create overlapping sub-windows from EEG signals, enhancing the dataset’s size and model robustness without sacrificing temporal resolution. The Common Spatial Pattern (CSP) algorithm is then applied to extract spatial features, ensuring no data leakage occurs between training and testing sets. Furthermore, linear scaling is introduced to simulate amplitude variations, which aids in mitigating overfitting and improving model robustness.
The multi-scale temporal block (MST-Block) is designed to dynamically capture temporal features through multiple convolutional layers with varying kernel sizes, followed by batch normalization and activation functions to enhance model stability. The Efficient Channel Attention (ECA) mechanism is integrated to prioritize discriminative feature channels, optimizing the model’s focus on relevant spatial features. Additionally, the Depthwise Separable Fusion (DSF) block is employed to extract deeper temporal features while maintaining inter-channel information integrity. The classification block employs fully connected layers to map features to class outputs, utilizing CrossEntropyLoss for efficient loss computation. Overall, the findings demonstrate that each component of the AMANet architecture contributes significantly to its classification performance, with empirical results indicating superior accuracy compared to benchmark models across various datasets.