摘要
脑卒中，俗称“中风”，是威胁生命健康的主要致命疾病之一，并且脑卒中病人中多为偏瘫患者。MI-BCI是一种脑机接口系统，其中的“MI”代表“MotorImagery”，即运动想象。MI-BCI系统通过监测大脑的神经活动，来识别用户的运动意图，然后产生对应的外设控制信号，让外部设备产生特定的行为，常用于中风患者的康复治疗。然而，当前MI研究中仍存在着问题，例如：通过想象简单动作驱动外部设备的模式容易导致外部设备反馈与患者意图不一致；精细动作解码精度低；简单动作识别率低、左右手差异性不明显等。针对以上问题，本文展开的具体工作如下： （1）为了满足中风偏瘫患者的需求，针对患者意图与外部设备反馈不一致、精细动作解码精度低的问题，本文提出了一种融合时频空三域特征的单侧肢体精细动作解码方法：TFS-Model，该方法根据EEG信号的特点进行设计。通过对手部、肘部和静息态三个MI任务进行分类，平均准确率达到了62.28%，相较于公开数据集中表现优异的传统机器学习算法，TFS-Model的表现更加优秀。 （2）为解决简单动作识别率低、左右手差异性不明显的问题，本文进一步研究复杂动作并提出了一种全新的复杂动作运动想象范式，包括左右手握拳、左右手画“8”以及静息态在内的五种运动想象任务，并对数据进行了时频空特征分析。此外，本文对每位受试者的MI数据进行动作组合并使用FBCSP+SVM算法进行分类。通过特征分析和分类结果可以得到结论，复杂动作的识别率相较于简单动作有明显提升（尤其是非惯用手），并且复杂动作左右手差异性更明显。 （3）为解决精细动作乃至复杂动作解码精度低的问题，本文结合EEG信号本身固有的特点，提出了一种基于时频空多模态的深度学习解码方法TFS-Net（TimeFrequencySpatialNet）。该方法主要包含两个模块：一是TSnet，用于学习EEG信号的时空信息。二是Fnet，用于学习EEG信号的频域信息。在自采数据集复杂动作五分类任务和公开数据集单侧肢体精细动作三分类任务中，TFS-Net的平均准确率分别达到了54.20%和74.75%，均优于在公开数据集中表现优异的传统解码方法和深度学习解码方法。
NETL