论文地址：https://ieeexplore.ieee.org/abstract/document/10275048
论文题目：TDLNet： Transfer Data Learning Network for Cross-Subject Classification Based on Multiclass Upper Limb Motor Imagery EEG
论文代码：暂未找到

0. 引言

针对单肢不同运动的基于运动意象的脑机接口（MI-BCI）指令集数量有限，难以满足实际应用需求。因此，设计单肢、多类别的运动意象（MI）范式并对其进行有效解码是MI-BCI未来发展的重要研究方向之一。此外，MI-BCI 的主要挑战之一是难以对不同个体的大脑活动进行分类（主要是跨被试分类任务存在难题）。本文提出迁移数据学习网络（TDLNet）来实现多类上肢运动意象的跨主体意图识别。

1. 主要贡献

1. 该文提出迁移数据学习网络（TDLNet）来实现多类上肢运动意象的跨主体意图识别。
2. 在TDLNet中，RAMM被提出用于为不同的脑电信号通道分配权重，以用于不同的运动图像任务。
3. 提出一种基于遮挡信号频率的特征可视化算法对MI-BCI框架进行定性分析。

2. 网络介绍

网络的主要结构如下所示：

TDLNet 网络主要包括三块内容：传输数据模块（TDM）、Inception模块和残余注意力机制模块（RAMM）。

2.1 TDM模块

传输数据模块 （TDM） 的结构如表 I 所示，其中 $C$ 是通道数，$T$ 是时间点的数量。TDM的输入是将两个受试者的脑电信号按类别在深度方向上拼接而得到的，表示为:

注意：这里是选择两个不同受试相同类别的脑电数据，即被试1和被试2的脑电信号！！ 这也是文章中的特色所在!!!

TDM的结构如下表所示：

2.2 Inception模块

Inception模块 采用多个并行卷积分支，内核大小$1\times 3$,$1\times 5$,$1\times 7$ 和$Maxpooling$ 用于从输入要素图中提取多尺度时间信息。Inception模块 的结构如图2所示：

2.3 RAMM模块

RAMM模块为每个EEG信号通道分配权重。RAMM模块的网络结构如下所示：

3. 特征可视化算法

为了对TDLNet进行定性分析，该文提出一种基于遮挡信号频率的特征可视化算法，如算法1所示。

4. 结果

4.1 消融实验

首先，从TDLNet中删除TDM，并将其表示为TDLNet-w/o-TDM。在TDLNet-w/o-TDM的训练和分类中，对两个受试者的脑电数据进行独立处理。同样，从 TDLNet 中删除了 Inception 和 RAMM 组件，从而生成分别表示为 TDLNet-w/o-Inception 和 TDLNet-w/o-RAMM 的模型。

4.2 与基于CNN的参考和迁移学习方法的比较

TDLNet与基于CNN的参考方法（DeepConvNet、ShallowConvNet 和EEGNet-4,2、EEGNet-8,2）和迁移学习方法（MSFBCNN 、EEGSym 、MSATNet ）进行了比较。表IV给出了跨受试者分类实验的结果。

4.3 基于遮挡信号频率的特征可视化

为了研究TDLNet如何成功解码EEG信号中的信息，使用算法1对从TDLNet中提取的特征进行可视化，结果如图6所示。f1gure 1 中的红色圆圈表示可用于区分的不同分类器模式。

5. 总结

到此，使用 TDLNet 已经介绍完毕了！！！ 如果有什么疑问欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。

如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。

欢迎来稿

欢迎投稿合作，投稿请遵循科学严谨、内容清晰明了的原则！！！！ 有意者可以后台私信！！