脑机接口运动想象范式优化与在线分类准确率.docxVIP

脑机接口运动想象范式优化与在线分类准确率

摘要：运动想象（MotorImagery,MI）是脑机接口（BCI）的重要范式，但其在线分类准确率受限于个体差异与信号非平稳性。本文提出了一套面向MI-BCI的范式优化与在线分类方法。在范式层面，设计了“动态引导+自适应难度”的训练协议——根据用户的实时表现动态调整想象任务的难度（如改变提示速度与反馈延迟），并通过增强现实（AR）视觉引导提升用户的想象沉浸感。在算法层面，提出了“时空注意力卷积网络（ST-ACNN）”——在EEG信号的时域与频域分别应用注意力机制，自适应地聚焦于最具判别力的时间窗口与频带。在BCICompetitionIV2a数据集与自采的20人数据集上的测试表明：动态引导范式将用户的平均分类准确率从72.3%提升至82.5%；ST-ACNN的在线分类准确率达到86.8%（四分类），比CSP+LDA基准方法高出14.5个百分点。在康复机器人控制场景中，优化后的MI-BCI系统实现了90.2%的运动意图识别准确率，假肢抓取成功率达到85%。本工作旨在为高精度运动想象BCI系统提供范式与算法的双重优化方案。

关键词：脑机接口；运动想象；范式优化；时空注意力；在线分类

第一章绪论

脑机接口（Brain-ComputerInterface,BCI）建立了一条不依赖于外周神经与肌肉的直接通信通道，使大脑能够直接控制外部