Europe PMC（brain-computer interface · Preprints）· Islam MR, Hossain MS, Arefin MS, Ali MR, Rahimi N, Murad SA.·· 2026-09-11AI 评分22
DualAttentionNet：面向鲁棒多类 EEG 数字解码的轻量级双注意力框架
DualAttentionNet: A Lightweight Dual-Attention Framework for Robust Multi-Class EEG Digit Decoding
AI 导读
DualAttentionNet 是一种在 EEGNet 基础上加入两个通道注意力模块的轻量级双注意力框架，用于基于 Visual MNIST 的多类 EEG 数字解码，分类准确率达 92.36%，优于所对比的全部架构。该研究通过信号变异性与可解释性分析验证了模型性能，作者称其为一个鲁棒、可解释且可复现的多类 EEG 分类框架，代码已公开。
AI 要点
团队
作者为 Islam MR、Hossain MS、Arefin MS、Ali MR、Rahimi N、Murad SA，末位作者 Murad SA。
主要结果
DualAttentionNet 在基于 Visual MNIST 的多类 EEG 数字分类中达到 92.36% 分类准确率，称优于所有对比架构。
解决什么问题
针对 EEG 信噪比低、试次间变异大、神经轨迹重叠，导致数字识别等认知表征转换困难的问题。
方法
在传统 EEGNet 模型上加入两个通道注意力模块，构建多类 EEG 数字分类系统；代码已公开在 GitHub。
局限
从研究设计看，为基于 Visual MNIST 的离线分类研究，原文未提及受试者数量与在线 BCI 验证。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · Preprints） · doi.org