Europe PMC（brain-computer interface · PubMed）· Chrisilla S, Selvakumari RS.·2026-10-15 08:00· 10 天前AI 评分38

基于图卷积的双分支网络解码上肢运动想象 EEG 信号

A graph convolution-based dual-branch network for decoding of upper-limb motor imagery EEG signals.

AI 导读

一项研究提出图卷积双分支框架，用于上肢运动想象 EEG 的受试者独立解码，在 PhysioNet 数据集三类任务上以 64、21、5 个电极分别达到 86.42%、91.01%、93.91% 的 SGKF 准确率，LOSO 准确率为 92.25%、95.72%、96.01%。

AI 要点

团队

Chrisilla S、Selvakumari RS 等

主要结果

PhysioNet 三分类用 5 电极时 SGKF 准确率 93.91%、LOSO 96.01%；BCI IV-2a 用 5 电极 LOSO 达 97.12%；BCI IV-2b 仅 3 电极 SGKF 88.60%、LOSO 93.35%。

解决什么问题

传统欧氏特征难以应对低空间分辨率、非平稳性和通道间复杂依赖，限制跨受试者泛化。

方法

提出图卷积双分支框架，融合跳跃连接、手工时频特征与并行时空卷积通路；在 PhysioNet、BCI IV-2a、BCI IV-2b 上用 SGKF 与 LOSO 做受试者独立评估。

局限

从研究设计看，为离线数据集上的受试者独立验证，未涉及在线实时使用。

AI 依据原文整理，未经人工核对。