杜秀丽，马振倩，邱少明，吕亚娜

1.大连大学 通信与网络重点实验室，辽宁 大连116622

2.大连大学 信息工程学院，辽宁 大连116622

运动想象脑电信号（Motor Imagination-EEG，MIEEG）的识别可以帮助人们直接通过思维来控制基于脑机接口的机器人从事各种工作，是实现人与外界通讯的一种新途径，对脑认知、脑治疗和脑应用的研究具有重要意义。运动想象脑机接口系统不仅在残疾人康复、老年人护理等医疗领域具有显著的优势，而且在教育、军事、娱乐、智能家居等方面也具有广阔的应用前景。

目前，基于深度学习的网络框架被广泛应用于特征提取，在图像、视频、语音、文本等方面已经取得了良好的效果，且性能优于传统的算法[1-2]。由于这些领域的成功应用，研究者开始将深度学习技术应用于脑电图分析。Xu等人[3]利用一个两层卷积神经网络对经过小波时频变换后的三通道脑电信号进行识别以提高分类性能。Cai等人[4]利用门控递归单元（Gated Recurrent Unit，GRU）进一步提取经过卷积神经网络（Convolutional Neural Networks，CNN）预处理后的运动想象脑电信号中隐藏的一些序列信息，提高了MI-EEG的识别精度。葛荣祥等人[5]提出用深度信念网络（Deep Belief Network，DBN）对不同波段傅里叶变换后的脑电信号进行分类识别的方法，有效地提高了多类别MI-EEG的识别准确率。胡章芳等人[6]考虑到MI-EEG中蕴含丰富的时频信息，提出一种基于时频域的卷积神经网络识别方法，通过一种新颖的一维卷积CNN结构对短时傅里叶变换后的二维时频图进行特征提取，有效地提高了识别的准确率。……