计算机应用

作者：曹柠, 温昕, 郝雁嵘, 曹锐

单位：太原理工大学 软件学院，山西 晋中 030600

关键词：运动想象,脑电信号,轻量化,多域特征融合,挤压激励注意力

基金：国家自然科学基金资助项目(62206196);山西省自然科学基金资助项目(202303021221001)

针对解码运动想象脑电信号（MI-EEG）时大规模网络解码速度慢，以及特征信息未能充分利用等问题，提出一个多域特征融合的轻量化MI-EEG解码神经网络。该网络通过轻量化模块提取多域特征，包括利用SincNet提取频域特征以及利用时间卷积网络（TCN）提取时域特征；在时频域特征提取之后引入挤压激励（SE）注意力对特征图进行自适应校准，以突出关注重要特征并抑制冗余信息。最后，利用可分离卷积实现时频特征的有效融合，解决单域特征信息不足的问题。此外，采用交叉熵和中心损失函数联合约束网络的训练过程，以优化类内和类间的分类性能。实验结果表明，该网络在BCI 2a、SMR-BCI和OpenBMI这3个运动想象（MI）公开数据集上的参数量分别为6 870、5 690和6 870，平均准确率分别达到74.78%、71.93%和65.40%，平均Kappa值分别达到0.70、0.66和0.59。与深层卷积网络（DeepConvNet）、轻量级脑电信号卷积神经网络（EEGNet）和基于时间卷积的脑电信号识别网络（EEG-TCNet）相比：在BCI 2a数据集上，所提网络的平均准确率分别提升了11.06、8.85和6.36个百分点；在SMR-BCI数据集上，所提网络的平均准确率分别提升了10.53、4.17和3.57个百分点；在OpenBMI数据集上，所提网络的平均准确率分别提升了5.09、4.99和2.33个百分点。可见，所提网络在保证轻量化的同时兼顾了解码性能。

来源：2026年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第1期