Meta-cognitive Multi-scale Hierarchical Reasoning for Motor Imagery Decoding
Si-Hyun Kim, Heon-Gyu Kwak, Byoung-Hee Kwon, Seong-Whan Lee
脑机接口(BCI)旨在解码来自非侵入性神经信号的运动意图,以实现对外部设备的控制,但实际部署仍然受到基于运动图像(MI)脑电图(EEG)信号的噪声和可变性的限制。 这项工作调查了四类MI分类的分层和元认知解码框架。 我们引入了一个多尺度的分层信号处理模块,将骨干特征重新组织为时间多尺度表示,以及一个内省的不确定性估计模块,该模块分配每个周期的可靠性得分并指导迭代改进。 我们在三个标准EEG主干(EEGNet,ShallowConvNet和DeepConvNet)上实例化此框架,并在主题无关的设置下使用BCI Competition IV-2a数据集评估四类MI解码。 在所有骨干中,与相应的基线相比,拟议的组件提高了平均分类准确性并减少主体间差异,表明主体异质性和嘈杂试验的稳健性增加。 这些结果表明,将分层多尺度处理与内省置置信度估计相结合可以增强基于MI的BCI系统的可靠性。
Brain-computer interface (BCI) aims to decode motor intent from noninvasive neural signals to enable control of external devices, but practical deployment remains limited by noise and variability in motor imagery (MI)-based electroencephalogram (EEG) signals. This work investigates a hierarchical and meta-cognitive decoding framework for four-class MI classification. We introduce a multi-scale hierarchical signal processing module that reorganizes backbone features into temporal multi-scale repr...