DSAINet: 일반적인 뇌파(EEG) 해독을 위한 효율적인 이중 스케일 어텐션 상호 작용 네트워크

DSAINet: An Efficient Dual-Scale Attentive Interaction Network for General EEG Decoding

비침습적인 뇌파(EEG)의 실제 응용에서, 특수 목적의 디코더는 종종 주체 독립적인 환경에서 다양한 작업에 걸쳐 일반화 성능이 제한적입니다. 주요 과제는 작업 관련 뇌파 신호가 작업마다 다른 시간적 조직 패턴을 따르지만, 많은 기존 방법은 작업별 아키텍처 설계를 사용하여 작업별 시간적 유도 편향을 도입한다는 점입니다. 이러한 불일치는 모델 구성을 변경하지 않고도 작업 간의 시간 모델링을 적용하기 어렵게 만듭니다. 이러한 과제에 대처하기 위해, 우리는 일반적인 뇌파(EEG) 해독을 위한 효율적인 이중 스케일 어텐션 상호 작용 네트워크인 DSAINet을 제안합니다. 구체적으로, DSAINet은 원시 뇌파 신호로부터 공유된 시공간 토큰 표현을 구성하고, 미세 및 거친 스케일의 병렬 컨볼루션 브랜치를 통해 다양한 시간적 동역학을 모델링합니다. 생성된 표현은 먼저 브랜치 내 어텐션을 통해 특정 스케일의 중요한 패턴을 강조하고, 브랜치 간 어텐션을 통해 스케일 간의 작업 관련 특징을 통합하여 적응적으로 개선됩니다. 그런 다음, 예측을 위한 압축된 표현을 얻기 위해 적응적 토큰 집계를 수행합니다. 10개의 공개 데이터 세트에 걸쳐 5가지 하위 작업의 뇌파 해독 실험 결과, DSAINet은 엄격한 주체 독립 평가 하에서 13개의 대표적인 기준 모델보다 일관되게 우수한 성능을 보였습니다. 특히, 이 성능은 데이터 세트 전체에서 동일한 아키텍처 하이퍼파라미터를 사용하여 달성되었습니다. 또한, DSAINet은 약 77K개의 학습 가능한 파라미터로 우수한 정확도-효율성 균형을 제공하며, 해석 가능한 신경생리학적 통찰력을 제공합니다. 코드 및 관련 자료는 다음 링크에서 공개적으로 이용 가능합니다: https://github.com/zy0929/DSAINet.

In real-world applications of noninvasive electroencephalography (EEG), specialized decoders often show limited generalizability across diverse tasks under subject-independent settings. One central challenge is that task-relevant EEG signals often follow different temporal organization patterns across tasks, while many existing methods rely on task-tailored architectural designs that introduce task-specific temporal inductive biases. This mismatch makes it difficult to adapt temporal modeling across tasks without changing the model configuration. To address these challenges, we propose DSAINet, an efficient dual-scale attentive interaction network for general EEG decoding. Specifically, DSAINet constructs shared spatiotemporal token representations from raw EEG signals and models diverse temporal dynamics through parallel convolutional branches at fine and coarse scales. The resulting representations are then adaptively refined by intra-branch attention to emphasize salient scale-specific patterns and by inter-branch attention to integrate task-relevant features across scales, followed by adaptive token aggregation to yield a compact representation for prediction. Extensive experiments on five downstream EEG decoding tasks across ten public datasets show that DSAINet consistently outperforms 13 representative baselines under strict subject-independent evaluation. Notably, this performance is achieved using the same architecture hyperparameters across datasets. Moreover, DSAINet achieves a favorable accuracy-efficiency trade-off with only about 77K trainable parameters and provides interpretable neurophysiological insights. The code is publicly available at https://github.com/zy0929/DSAINet.