摘要
运动意图识别作为脑机接口（BrainComputerInterface,BCI）技术中的研究热点，在运动功能康复和人机交互等方面具有重要的研究价值。近年来，深度学习技术以其识别准确率高、鲁棒性强等优势显著提升了脑电运动意图识别性能。充足且高质量的脑电数据是深度学习技术实现精确识别的基础，然而由于受试者的沉重负担和高昂的实验成本，很难收集到足够的脑电数据。更为复杂的是，脑电信号的个体差异性导致训练好的深度学习模型只能用于特定个体，应用于新个体时往往需要重新训练才能保持高性能。因此，本文旨在从数据、算法和模型三方面研究如何利用有限数据提升模型性能，降低脑电信号差异对模型的影响，从而使模型快速适用于新个体，具体研究内容如下： 首先，针对脑电数据不足问题设计了一个由辅助解码模型和生成模型组成的脑电数据增强框架，从少量真实样本中合成大量高质量的人工脑电信号样本，克服传统数据增强技术存在的信息丢失和冗余噪声等问题，提高有限数据下的模型性能。在BCICompetitionIV2a数据集上的实验结果显示，提出的数据增强方法使脑电解码模型的训练样本数量减少了33.3%，同时将识别准确率提高了4.72%。 其次，针对脑电信号个体差异性导致的模型性能下降问题，本文搭建了一个多分支自适应感受野模型。该模型通过引入多尺度时间特征提取和压缩模块，以及多分支动态注意力机制，有效实现了不同个体的自适应尺度特征选择，提高跨个体解码性能。在MMI和GIST数据集上的实验结果表明，所设计的模型在跨个体解码任务中的识别准确率分别达到了84.86%和77.14%，显著优于现有研究设计的脑电解码模型。 再次，本文进一步考虑了模型在实际应用中面对的数据分布持续变化问题，并提出一种新的测试时自适应算法。通过基于对比学习和精细化伪标签策略，实现模型在测试条件下的实时校准。在MMI、GIST和OpenBMI数据集上的实验结果显示，所提出的算法使模型性能分别提升了0.43%、0.69%和1.02%，且校准过程仅耗时0.3725秒，远低于运动想象任务执行时间，满足实时性需求。 最后，面向脑机接口实际应用过程设计“拿放瓶子”的脑电运动想象实验范式并进行数据采集，对本文提出的三种方法进行联合测试。实验结果表明，采用多分支自适应感受野模型、数据增强方法和测试时自适应算法后，模型在实验数据集上的平均解码准确率累计提升4.03%，证明了所提方法在实际应用中的可行性和有效性。
NETL