摘要
脑机接口（Brain-ComputerInterface，BCI）是一门涉及神经科学、工程学和计算机科学的交叉学科，它为活跃的大脑与其他外部设备的交互提供了一种不涉及正常神经或肌肉的控制和通信手段。BCI技术具有深远的意义和广泛的应用前景，它不仅打破了传统的人机交互界限，为人类带来了更加便捷、高效和个性化的交互体验。同时，它在医疗、教育、娱乐和军事等领域的广泛应用以及推动相关学科的发展等方面也取得了显著的成就。在BCI系统中，运动想象（MotorImagery，MI）被广泛应用于主动式BCI设计中，这种系统通过特定的信号采集设备实时采集个体进行MI时产生的脑电图（Electroencephalogram,EEG）。随后，利用BCI技术对采集到的信号进行预处理、特征提取和分类，以识别个体的运动意图。这些运动意图随后被转化为外部设备可以识别的控制命令，从而实现对外部设备的控制。BCI技术中主要任务就是将采集到的脑电信号进行一系列的处理转化为外部设备能够识别的命令，但其在实际应用中仍面临一些挑战，如个体差异较大以及分类正确率有待提高等，不能满足实际应用的需求。 本文基于现有的BCI技术，对脑电信号的特点进行了分析，结合划分滤波器组的方法，提出了一种多尺度特征融合CNN-LSTM网络（MFFCL）。该架构可用于基于运动图像的多类脑电信号的特征提取和识别，与其他分类方法相比，具有较高的分类准确率和较快的处理速度。 在脑电信号的预处理使用中，大多数基于深度学习的MI-EEG算法不会对脑电信号进行划分或者划分为较宽的频带，而较宽的频带无法充分利用脑电信号中多个子频带的不同特征，导致脑电信号分类模型的性能较差。针对这一问题，本文参考了滤波器组公共空间模式(FilterBankCommonSpatialPattern，FBCSP)对频带进行划分并分别处理的理论，提出了一种新的划分方式。实验的框架如下： 首先对输入的脑电信号进行独立成分分析以滤除其中多种伪迹信号和噪声干扰，然后对经过预处理的信号进行分频处理，频带的选择与滑动时间窗中的窗口滑动方式相似，最后获得数份带有不同信息的全新数据集。接下来，根据提出的框架设计出多尺度CNN-LSTM结构，网络中的全连接层融合所有特征信息，其多尺度主要体现在数据频率范围的多尺度和不同尺度的级联结构上。本研究采用重叠滤波器组对脑电信号进行频带划分，并与级联的CNN-LSTM网络相结合，实现空间特征、时间特征和频率特征的融合。本文证明MFFCL有效地分离了多频率分量中的判别特征，并准确地从EEG数据中提取了时间和空间特征。同时，该网络的小规模结构对小规模脑电数据具有很强的适应性，使其有可能应用于实时多类脑机接口系统。在脑电信号分类实验中，与其他网络结构相比，MFFCL在Ⅳ-2a和Ⅳ-2b上的平均准确率分别为88.4%和88.7%，在自建数据集上的平均准确率为82.2%，取得了最高的分类准确度。MFFCL是一种有效的端到端脑电解码模型，具有较高的分类精度，减少了参数使用和计算资源。这证明了它在MI-BCI研究中的特征提取和分类中的实用性。
NETL