摘要： 由于运动想象脑机接口（ＭＩＢＣＩ）范式不需要视觉刺激，应用 ＭＩＢＣＩ范式在提高人 机交互系统舒适度方面具有重要意义。为实现辅助设备的异步控制，提高模型的鲁棒性，减少 通道使用数量以降低 ＢＣＩ系统输入的复杂性，提出一种基于通道组合 （ｃｈａｎｎｅｌｃｏｍｂｉｎａｔｉｏｎ， ＣＣ）数据对齐（ｅｕｃｌｉｄｅａｎｓｐａｃｅｄａｔａａｌｉｇｎｍｅｎｔ，ＥＡ）多尺度全局卷积神经网络 （ｍｕｌｔｉｓｃａｌｅｇｌｏｂａｌ ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＭＧＣＮＮ）的运动想象脑电分类方法。通过引入大脑静息状态下的 脑电信号，扩展 ＭＩＢＣＩ输出指令集；利用 ＣＣ将 ２２通道脑电数据重构为左右对称通道加中间通 道的 ３通道形式，重构后的数据经过 ＥＡ方法规范后作为网络输入；构建多尺度卷积模块与全 局卷积模块，并行提取脑电信号的局部特征和 ＥＲＳ／ＥＲＤ全局特征；利用迁移学习提升模型的 解码能力。结果表明：该方法在 ＢＣＩＣｏｍｐｅｔｉｔｉｏｎＩＶ２ａ数据集上达到了 ９９．２８％的平均准确率 和 ０．９９的 Ｋａｐｐａ值，提高了运动想象脑电分类精度，为在线异步运动想象脑机接口的应用与发 展作出了贡献。

关键词: 运动想象；脑机接口；通道组合；卷积神经网络；数据对齐

中图分类号: 

• ＴＰ３９