傅倩婧，孔万增

(杭州电子科技大学计算机学院，浙江 杭州 310018)

0 引 言

脑机接口(Brain Computer Interface, BCI)是人脑与外部设备之间的接口，无需依赖动作，通过大脑来控制外部设备[1]。稳态视觉诱发电位和运动想象(Motor Imagery, MI)是最常见的脑机接口范式。运动想象脑机接口(MI-BCI)不仅可以给健康人提供更丰富的娱乐方式，还可以帮助有运动障碍的人恢复运动功能[2-4]。然而，MI-BCI系统存在识别率低、稳定性差等问题。为此，Nijholt等[5]采用多脑BCI技术进行脑机接口的研究，证实了其在脑机接口应用中的可行性。多脑BCI来源于超扫描思想，超扫描技术可以同时测量2个及以上被试的脑电信号[6-7]。相关研究表明，当多个被试处于同一环境进行交流时，大脑会产生同步共振现象[8-9]。传统方法处理脑电数据时，一般转换成向量的形式，这样会打乱数据的内部结构从而影响实验结果[10]。张量表示方法与神经网络之间有着紧密联系，可以把神经网络的数据转换成张量的形式。Novikov等[11]采用张量分解进行图像数据集的分类，取得了较好的分类效果。Yang等[12]在大规模视频数据集的分类任务中，使用张量链分解压缩门控循环单元(Gated Recurrent Unit，GRU)，结果表明张量链模型不仅可以减少参数数量，而且提高了分类性能。Wang等[13]采用张量环方法来压缩深度神经网络的全连接层和卷积层，减少了网络中的参数数量。虽然张量表示方法在处理大规模图片数据取得了一些成效，但是上述方法只学习了隐藏空间中的动态关系。本文针对高维数据输入问题，采用张量网络方法[14]来实现多脑运动想象脑电数据的分类，在输入空间中进行高维数据处理与模型参数压缩，以提高张量网络的性能。……