双支路时间-频谱-空间变换器模型用于脑电图解码
原文中文，约400字，阅读约需1分钟。发表于：。本研究针对现有脑电图（EEG）解码方法在特征提取方面的不足，提出了一种新型的双支路时间-频谱-空间变换器模型（Dual-TSST）。该模型通过卷积神经网络提取时间-空间特征和时间-频谱-空间特征，并利用特征融合块捕捉EEG信号的全局长程依赖性，从而实现更高的脑电图分类精度。实验结果显示，该方法在多个数据集上的表现优于十多种先进方法，提供了高性能EEG解码的新途径，具有广阔的应用前景。
本研究结合预训练的视觉Transformer和时域卷积网络，提高了EEG回归的精度，降低了均方根误差。研究结果表明，在EEGEyeNet任务中，均方根误差从55.4降至51.8，同时提高了模型速度。这一突破为多样化的EEG数据集提供了新的研究方向。
