运动想象 (MI) 分类学习系列 (2) : EEG-FMCNN

论文地址：https://link.springer.com/article/10.1007/s11517-023-02931-x
论文题目：EEG-FMCNN: A fusion multi-branch 1D convolutional neural network for EEG-based motor imagery classification
论文代码：无

0. 引言

MI-EEG信号的高性能解码能力是影响行业发展的关键问题。然而，由于低信噪比和受试者间的变异性，解码 MI-EEG 信号具有挑战性。针对上述核心问题，本文提出了一种新的端到端网络，即融合多分支一维卷积神经网络（EEG-FMCNN），无需预处理即可解码MI-EEG信号。多分支一维卷积的利用不仅表现出一定程度的噪声容差，而且在一定程度上解决了受试者间变异性的问题。这归因于多分支架构能够从不同频段捕获信息，从而能够建立最佳的卷积尺度和深度。此外，我们在适当的位置加入了一维挤压和激励 （SE） 模块和快捷连接，以进一步增强网络的泛化性和鲁棒性。

总得来说：提出的网络结构与多分支不同的卷积核结构相比具有细微不同，但是是否有效还需要更多实验来进行验证。。。