摘要
肢体活动是人类生活中最常见且不可或缺的基本功能，如举手、行走等。但往往有些人因为生病(如脑卒)、意外事故等而导致肢体受损。随着科学的快速发展，为了改善这些人的生活质量，脑机接口应运而生。脑机接口其中有一种范式叫做运动想象(MotorImagery,MI)。运动想象是一种心理活动，是指在没有实际肢体运动的情况下，通过自主想象某种运动，例如握拳。通过在大脑中进行想象，可以激活与实际运动相同的神经回路。运动想象可以应用于脑卒患者的康复，在他们的康复过程中，可以检测他们的脑电信号(Electroencephalogram,EEG),并利用机械装置辅助他们进行康复治疗，从而减轻医护人员的负担。然而，EEG非常微弱，很容易受到其他信号的干扰，例如眼电信号、肌电信号等。因此，合理处理EEG,构建一个准确率较高的模型非常重要。现有研究中，许多研究者都选择在特征层面进行最优时频选择，没有在预处理层面充分利用到与运动想象相关的事件相关去同步(Event-relateddesynchronization,ERD)/事件相关同步(Event-relatedsynchronization,ERS)模式变化信息，以及个别模型设计紧凑，容易出现过拟合的问题。基于以上两个问题，本文提出以下两种解决方案: 1、针对许多研究在特征层面上对最佳频率和时间段进行优化，但未充分利用与运动想象相关的ERD/ERS模式变化信息在预处理阶段对时频进行优化的问题，我们提出了一种基于最优时频选择的MI-EEG方法。首先，我们对原始数据进行分频段和时间段处理，通过计算频谱图的差异和距离矩阵来获取最优时频系数，利用最优时频系数选择最佳的时频子带。接着，数据经过卷积层、时间方差层、全连接层和softmax层进行特征提取和分类。该方法有助于去除无关信息的时频段，从而避免特征冗余问题的发生。该方法在Korea数据集上的正确率达到75.52±13.42％,在BCI4-2a数据集上的正确率达到81.46±13.61％。与其他传统算法相比，该方法取得了更高的正确率，进一步证明了该方法的鲁棒性。 2、针对EEGNet模型设计紧凑且相对较浅，容易出现训练过程中的过度拟合问题，导致模型容量受限的问题，我们提出了一种基于并行卷积特征提取的MI-EEG方法。该方法采用了两种预处理方式，一种是对原始数据集进行简单处理，另一种是采用最优时频选取方法。经过预处理后，数据经过标准卷积和深度卷积处理。随后使用四种卷积块并行提取特征。该方法可以解决EEGNet模型紧凑性的问题，同时不增加模型的深度。接着，将处理过后的数据通过时间方差层、全连接层和softmax层进行下一步的特征提取和分类。该方法采用最优时频进行预处理后，在Korea数据集上的正确率达到74.83±15.00％,采用简单预处理后，在BCI4-2a数据集上的正确率达到85.45±12.05％。与其他传统算法相比，该方法取得了更高的正确率，进一步证明了该方法的鲁棒性。
NETL