运动想象 (MI) 分类学习系列 (7) :CMO-CNN

论文地址：https://www.sciencedirect.com/science/article/abs/pii/S1746809422009107
论文题目：A compact multi-branch 1D convolutional neural network for EEG-based motor imagery classification
论文代码：无

0. 引言

由于采集的脑电信号信噪比低，准确解码意图具有挑战性，解码原始脑电信号更具挑战性。目前，没有深度学习在解码原始脑电信号时实现高分类性能的方法。我们提出了一种新的用于解码MI EEG信号的端到端网络，即紧凑型多分支一维卷积神经网络（CMO-CNN），无需使用原始EEG信号进行滤波等预处理。使用一维卷积作为特征提取器，使用不同滤波尺度和不同分支的深度提取多样化和多层次的特征进行融合。增加了一维挤压和激励模块（SE模块）和快捷方式连接，以进一步提高网络的泛性和鲁棒性。

总的来说：文章中提出的数据增强以及数据可视化的思路有着不错的创新点，算法本身就是多分支融合加上注意力机制。。。

1. 主要贡献

1. 我们设计了一个简单有效的模型来解决基于运动意象任务的识别问题。该模型能够充分学习