曹 铉，罗天健*

（1.福建师范大学 计算机与网络空间安全学院，福州 350117；2.数字福建环境监测物联网实验室（福建师范大学），福州 350117）

0 引言

脑机接口（Brain Computer Interface，BCI）采集人脑信号并解译成控制指令，绕过外周肌肉系统达到控制外部设备目的，实现人脑与外部设备的直接通信［1］。由BCI 技术构建的系统不但能够为脑卒中类病人提供辅助康复［2］，还能服务于工业生产和多媒体娱乐［3］。按照采集人脑信号级别，BCI 技术通常划分为非侵入式和侵入式［4］。其中，非侵入式手段无须开颅手术，其代表性的脑电（ElectroEncephaloGraphy，EEG）信号［5］，采集时间分辨率较强的脑皮层信号，广泛应用于常人可参与的场景。基于EEG 信号的常见BCI 任务包括：运动想象，事件相关电位，以及稳态视觉电位。其中，运动想象（Motor Imagery，MI）为主动BCI 技术，通过分析记录不同肢体MI 过程中的EEG 信号，解码出相应的意图并形成控制指令。运动想象脑电（MI-EEG）信号编码运动脑区，不同肢体MI 意图特征主要集中在μ 节律和β 节律，呈现大脑同侧能量增加以及对侧能量降低的模式，该模式被称为事件相关去同步（Event-Related Desynchronization，ERD）现象［6］。解码MI-EEG 信号即为识别出不同MI 意图ERD 模式，从而获取BCI 系统可用的控制指令。

实际上，MI-EEG 属于典型时变性强、多通道耦合且信噪比低的信号，它的解码过程是一项具有挑战性的困难任务。常用的MI-EEG 信号解码方法包含两个分支：以共同空间模式（Common Spatial Pattern，CSP）为代表的空域特征滤波器，和以卷积神经网络（Convolutional Neural Network，CNN）为代表的端到端模型。CSP 方法［7］构建类别间最优空域投影，保证不同MI 类别的空域特征差异最大化。……