Neues EEG-MFTNet-Modell verbessert Motorimagery-Decodierung in BCIs

Brain‑Computer‑Interfaces (BCIs) ermöglichen die direkte Kommunikation zwischen Gehirn und externen Geräten und sind besonders für Menschen mit motorischen Einschränkungen von entscheidender Bedeutung. Die präzise Dekodierung von Motorimagery (MI) aus Elektroenzephalogrammen (EEG) bleibt jedoch schwierig, weil die Signale stark von Rauschen und von Sitzung zu Sitzung variieren.

In der vorliegenden Arbeit wird EEG‑MFTNet vorgestellt, ein neues Deep‑Learning‑Modell, das auf der bekannten EEGNet‑Architektur basiert. Durch die Integration von Multi‑Scale‑Temporal‑Convolutions und einem Transformer‑Encoder‑Stream kann das Netzwerk sowohl kurze als auch lange zeitliche Abhängigkeiten im EEG erfassen und so die Signalqualität verbessern.

Die Leistung von EEG‑MFTNet wurde am SHU‑Datensatz in einer subjektabhängigen Cross‑Session‑Konfiguration getestet. Im Vergleich zu EEGNet und seinen jüngsten Varianten erzielte das Modell eine durchschnittliche Klassifikationsgenauigkeit von 58,9 % und gleichzeitig eine niedrige Rechenkomplexität sowie geringe Inferenzlatenz.

Diese Ergebnisse zeigen, dass EEG‑MFTNet ein vielversprechender Ansatz für Echtzeit‑BCI‑Anwendungen ist. Die Architektur‑Innovation trägt dazu bei, robuste und adaptive Systeme zu entwickeln, die für Assistenztechnologien und neurorehabilitative Therapien von großem Nutzen sein können.