摘要
脑机接口技术提供了一种前沿的人机交互方式，通过分析大脑活动产生的电信号来揭示人类大脑活动的内部机理，辅助残障患者、老年人和运动行为受限患者控制轮椅等外部设备，具有广泛的医学应用前景。基于运动想象的脑机接口技术是脑-机科学研究中广泛使用的范式之一，其主要优势在于能够使用非侵入式的脑电信号采集设备记录神经元兴奋产生的脑电活动，对受试者来说更加安全和舒适，同时运动想象脑电信号只通过想象活动产生，没有任何额外刺激，相比于稳态视觉诱发电位等诱发型脑电范式，更适合作为脑机接口系统的解码信号源。近几年，随着人工智能的飞速发展，深度学习算法的强大性能让脑电解码的研究迈向了更高效更快捷的新发展阶段。综上，本论文开展了基于深度学习方法的运动想象脑电信号时域、频域和空间域的多域特征融合研究，设计了有效解码运动想象脑电信号的深度学习模型，并在此基础上提出了基于脑电原始信号的数据增强和特征输入方法。本文的主要研究内容如下： （1）针对运动想象脑电信号低信噪比和非平稳特性，同时现有的深度学习模型不能很好解决因受试者之间的生理差异而导致的分类准确率较低的问题，提出一种基于并行多尺度卷积融合注意力机制的运动想象脑电信号识别模型，该模型包括三个核心模块，分别是多尺度卷积特征提取融合模块、注意力模块和全连接层分类模块。多尺度卷积能够提取脑电信号中丰富的全局特征和局部特征，将提取的所有时域特征与空间域特征信息拼接融合后通过注意力机制进行权重的分配，以突出其中的重要特征，最后通过时间卷积网络识别特征序列中的有用信息，并通过全连接层进行任务分类。实验结果表明，所提出的模型可以有效解码脑电信号时空融合特征，对运动想象四分类任务的平均准确率为83.31%，受试者中最高分类准确率达到96.75%，均优于现有的深度学习模型，且对于不同受试者的分类性能稳定性有显著提升。 （2）针对脑电信号数据量不足的问题，采用一种基于自适应噪声集合经验模态分解的脑电信号数据增强方法。现有研究中，主要的数据增强方法是通过向原始信号中直接添加噪声或者通过对二维时频图像进行几何变换的方法来增大数据量，这样会破坏原始脑电信号的时域特征。本研究提出通过基于自适应噪声集合经验模态分解方法，将原始脑电信号分解成多个局部频率和幅值调制的固有模态函数，并使用自适应噪声来增强这些模态分量的稳定性和可重复性，通过对其中高频分量进行筛除并融合其余分量产生新的脑电信号，有效增加了运动想象脑电数据。 （3）针对脑电信号丰富的多域特性，本研究在现有数据集上进行了时域、频域、时频域和空间域的相关研究，采用一种脑电信号的三维时空表征方法，旨在充分捕捉不同域之间的相关性。此外，本研究还提出了一种基于脑电信号微分熵的特征提取方法。该方法通过对脑电信号进行分频段特征分析，并结合提出的数据增强方法，实现了脑电信号时域-频域-空间域特征提取融合。实验结果表明，该方法在提高模型分类性能方面具有显著的有效性。
NETL