基于EEG的运动想象分类研究.pdfVIP

哈尔滨理工大学电子信息硕士学位论文

基于EEG的运动想象分类研究

摘要

脑-机接口（BCI）是一种能够在大脑与外部设备之间建立通信的技术，在

医疗康复、神经科学和日常娱乐等领域具有巨大的应用潜力，而运动想象是BCI

技术的重要应用之一，对运动想象脑电信号的准确识别是BCI技术的核心部分。

因此，提高运动想象脑电信号的分类准确率具有重要意义。然而，脑电信号

（EEG）具有低信噪比、非线性、非平稳性且个体性差异大等特点，易造成特

征提取困难和分类准确率较低的问题。针对上述问题，本文设计了一种多尺度

卷积残差注意力-双线时域卷积网络（MCRA-BiTCN）模型，在BCIIV-2a数据

集上对运动想象脑电信号进行分类研究。本文的研究内容如下：

（1）在提取特征时，针对单一尺度的卷积层学习能力有限，难以获得较为

丰富的脑电特征的问题，本文设计了一种多尺度特征提取网络（M-SFNet）来

提取运动想象脑电特征，每个通道对应输出一个脑电特征信息子带，四个通道

对应四种不同尺度的特征输出，从而达到多尺度学习的目的，并将每个通道提

取的特征在通道维度上进行堆叠输出，进而提升卷积层对