摘要
随着科学技术和智能化设备的发展，脑机接口（Brain-computerinterface，BCI）技术逐渐进入到人们的视野当中。基于运动想象的BCI技术是其中极具发展潜力的方向，在医疗、娱乐、商业及军事等领域均取得了较好的发展成果。BCI技术发展迅速，但在脑电图（electroencephalography，EEG）信息提取的一些关键问题上仍存在着很大的提升空间，包括解码率、可解释性以及在线应用的可用性等。解码率是EEG信号提取的关键研究方向。在基于运动想象EEG的解码过程中，信号分析和转换算法是将大脑神经信号解码为机器能够识别和状态表示的关键组成部分。在训练强度保持不变的情况下，改进信号分析和转换的算法以进一步提高解码性能，优化BCI系统的控制能力已成为该领域研究的重点和难点。 共空间模式（CommonSpatialPattern，CSP）的空间权重能够有效的应用于基于运动想象的BCI系统中EEG信号的解码研究。在CSP的优化方法鉴别滤波器组（DiscriminativeFilterBankCSP，DFBCSP）中，需要找到与运动想象任务相关的频带。为了解决这一问题，通过增加通道数据优化了子频带的选择。同时，对于DFBCSP算法中所使用经典的样本协方差估计，受到离群值影响较大且存在高度非稳健的特点，使用最小协方差矩阵（MinimumCovarianceDeterminant，MCD）获取协方差矩阵的稳健估计。论文通过筛选频带以及减少离群值对特征提取的影响，提出了基于双通道MCD-DFBCSP算法从频域和空域角度进行特征提取，并通过线性判别分析方法进行了分类验证。实验结果表明，论文所提出的方法能够增强通道中有效子频带的选择，减少离群值影响，有效提取频域和空域特征，最终在二分类的脑电数据集上分类准确率达到了83.1%。 论文针对EEG信号特征提取与分类问题，进一步应用深度学习方法探索运动想象EEG信号的解码研究。论文采取结合双向长短时记忆网络（Bi-directionalLongShort-TermMemory，BiLSTM）以及卷积神经网络（ConvolutionalNeuralNetworks，CNN）的方法，其中，BiLSTM可以通过时间拓展，在时域上实现神经元在多个时间节点输出的计算，适用于描述连续状态输出；CNN网络具有优秀的空间扩展性，通过神经元和空间卷积运算可以在空域上高效地提取空间信息。将两种网络结合起来的网络模型，可以同时获取时域和空域的特征信息。此外，通过对网络模型添加Attention机制，提升重要特征的权重，进一步提高了网络模型的解码精度。网络模型在三分类运动想象EEG数据集上进行验证，取得了较为优异的92%分类准确率，证明该模型在时域以及频域的角度上能够有效解码运动想象EEG信号。同时通过召回率、精确率、F1分数以及损失函数进一步验证了模型解码的有效性。 为了进一步挖掘运动想象EEG信号的特征并且减少网络层数过多所带来的负面影响，论文在在CNN和BiLSTM的基础上进行拓展，引入了残差网络（ResidualNetwork，ResNet），提出了CLRNet网络模型。具体为通过CNN进行空间卷积运算找出EEG信号中具有信息量最大的线性子空间，通过BiLSTM捕获时间动态获取时域信息，使用ResNet对BiLSTM的多网络输出进行跨层连接增强模型的数据处理能力，最后通过Softmax函数对提取的特征进行分类实现EEG信号解码。该模型在9个脑电数据集上进行四分类验证达到了89%的平均准确率。实验结果证明该模型具有较强的网络泛化能力，对于复杂的MI-EEG信号解码有着更优异的表现。
NETL