دانشگاه سمنان مدل سازی در مهندسی 2008-4854 23 83 2025 12 22 A Fusion of Transformer and EEGnet Models for Motor Imagery EEG Decoding ترکیب مدل‌های Transformer و EEGNet برای شناسایی سیگنال‌های EEG تصور حرکتی 191 202 10252 10.22075/jme.2025.36652.2796 FA آرزو حمیدی دانشکده مهندسی پزشکی، دانشگاه سمنان، سمنان، ایران کورش کیانی دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران 0000-0001-6582-8691 راضیه راستگو دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران Journal Article 2025 01 20 Decoding motor imagery electroencephalograph (EEG) signals is a critical aspect of cognitive impairment assessments within the realm of Brain-Computer Interface (BCI) research. The inherent variability of these signals across different individuals poses a significant challenge in developing models that can accurately recognize and interpret them universally. Furthermore, the ability to detect individual motor imagery using shorter signal durations is crucial for enhancing the reliability and practicality of BCI systems. In this study, we propose a novel hybrid model that combines Transformer and EEGnet architectures for the classification of motor imagery EEG signals. The integration of Transformer and EEGnet enables our model to leverage both spatial and temporal features inherent in EEG data.  Our research demonstrates promising results, achieving an accuracy of 66.9% when evaluating 2-second trial data across diverse subjects using the Physionet dataset. Comparative evaluations against state-of-the-art models highlight the superior performance of our approach, particularly in achieving notable benchmarks with shorter trial durations. شناسایی سیگنال‌های الکتروانسفالوگرافی (EEG) مربوط به تصور حرکت، جنبه‌ای حیاتی در ارزیابی‌های اختلالات شناختی در زمینه تحقیقاتی رابط مغز-رایانه (BCI) است. تنوع ذاتی این سیگنال‌ها در افراد مختلف، چالش بزرگی در توسعه مدل‌هایی ایجاد می‌کند که بتوانند به‌طور دقیق آن‌ها را شناسایی و تفسیر کنند. علاوه بر این، توانایی شناسایی تصور حرکت با استفاده از مدت زمان‌های کوتاه‌تر سیگنال، برای افزایش قابلیت اعتماد و کاربردپذیری سیستم‌های BCI اهمیت زیادی دارد. در این مطالعه، یک مدل هیبریدی نوآورانه پیشنهاد می‌شود که معماری‌های Transformer و EEGNet را برای طبقه‌بندی سیگنال‌های EEG تصور حرکتی ترکیب می‌کند. ادغام این دو معماری، به مدل ما این امکان را می‌دهد که از ویژگی‌های فضایی و زمانی موجود در داده‌های EEG استفاده کند. پژوهش انجام شده نتایج امیدوارکننده‌ای را نشان می‌دهد که در آن دقت 66.9% برای ترایال 2 ثانیه‌ای با ارزیابی میان گروهی با استفاده از مجموعه داده Physionet  به‌دست می‌آورد. ارزیابی‌های مقایسه‌ای در برابر مدل‌های پیشرفته نشان می‌دهند که عملکرد روش پیشنهادی به‌ویژه در دستیابی به معیارهای قابل توجه با مدت زمان‌های ترایال کوتاه‌تر، برتری دارد. https://modelling.semnan.ac.ir/article_10252_b1da5960a28a9deb6af4e028880d625b.pdf