基于空间分组增强多尺度卷积神经网络的单侧上肢脑电信号分类方法

王毅帆; 卢国梁; 尚伟

doi:10.12404/j.issn.1671-1815.2500164

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :693-700 DOI: 10.12404/j.issn.1671-1815.2500164

自动化技术、计算机技术

基于空间分组增强多尺度卷积神经网络的单侧上肢脑电信号分类方法

王毅帆 ¹^,²^,³ ,
卢国梁 ¹^,²^,³^,^* ,
尚伟 ⁴

作者信息 +

Spatial Group-wise Enhanced Multi-scale Convolutional Neural Network for Unilateral Upper Limb EEG Signal Classification

WANG Yi-fan ¹^,²^,³ ,
LU Guo-liang ¹^,²^,³^,^* ,
SHANG Wei ⁴

Author information +

文章历史 +

摘要

基于脑机接口(brain-computer-interface, BCI)的运动想象(motor imagery, MI)训练能够有效促进中风患者的上肢康复。然而,传统的MI范式无法满足患者上肢康复过程中对不同关节运动的多样化需求。提出了一种基于空间分组增强(spatial group-wise enhance, SGE)多层卷积神经网络(convolutional neural network,CNN)的运动分类方法,旨在提高上肢运动的分类准确率。通过设计6种针对单侧上肢不同关节的运动想象动作范式,并引入空间分组增强模块为每个空间位置生成注意力因子,来自适应地调整不同频段脑电图(electroencephalogram, EEG)数据的权重,随后,利用卷积神经网络进一步提取特征,最终实现单侧上肢运动的分类。本文方法在公开数据集和自采数据集上分别进行了实验验证。结果表明,该方法在单侧上肢多分类任务中获得了更高的准确率,证明了其在脑机接口中应用的潜力。本文方法为中风患者的上肢康复训练提供了新的技术支持。

Abstract

BCI(brain-computer interface)-MI(based Motor Imagery) training has been demonstrated to effectively enhance upper limb rehabilitation in stroke patients. However, traditional MI paradigms do not adequately address the diverse needs of patients regarding various joint movements during upper limb rehabilitation. A motor classification method based on SGE (spatial group-wise enhanced) multi-layer CNN (convolutional neural network) was proposed to improve the classification accuracy of upper limb movements. Six motor imagery paradigms targeting different joints of the unilateral upper limb were designed. A spatial grouping enhancement module was introduced to generate attention factors for each spatial location, adaptively adjusting the weight of EEG (electroencephalogram) data across different frequency bands. Features were then extracted using CNN, facilitating to the classification of unilateral upper limb movements. The method was experimentally validated on both public and self-collected datasets. The results indicate that the proposed method achieves higher accuracy for multi-class classification of unilateral upper limb movements, demonstrating its potential in BCI applications. It can be concluded that the proposed method provides new technical support for upper limb rehabilitation training in stroke patients.

Graphical abstract

关键词

空间分组增强 / 单侧上肢 / 脑机接口 / 运动想象

Key words

spatial group-wise enhance / unilateral upper limb / brain-computer-interface / motor imagery

引用本文

引用格式 ▾

王毅帆, 卢国梁, 尚伟. 基于空间分组增强多尺度卷积神经网络的单侧上肢脑电信号分类方法[J]. 科学技术与工程, 2026, 26(2): 693-700 DOI:10.12404/j.issn.1671-1815.2500164

WANG Yi-fan, LU Guo-liang, SHANG Wei. Spatial Group-wise Enhanced Multi-scale Convolutional Neural Network for Unilateral Upper Limb EEG Signal Classification[J]. Science Technology and Engineering, 2026, 26(2): 693-700 DOI:10.12404/j.issn.1671-1815.2500164

登录浏览全文

4963

注册一个新账户忘记密码

脑机接口(brain-computer-interface, BCI)技术已成为连接人脑和外部环境之间的重要桥梁,尤其在脑科学和类脑智能领域的研究中显示出极大的潜力^[1]。中国自“十三五”规划起就将BCI技术列为脑科学与类脑研究专项的核心攻关方向,“十四五”规划进一步明确将其作为新一代人工智能关键领域进行布局。2024年科技部发布的《脑机接口技术伦理与治理研究报告》系统构建了技术发展路线图,推动产学研用协同创新体系发展^[2]。作为国家科技战略重点发展的领域,BCI技术的应用范围广泛,从帮助残疾人恢复运动和认知功能,到提升日常生活活动的能力,涵盖了医疗康复^[3]、辅助生活^[4]和人机交互^[5]等领域。

在现有的BCI应用中,运动功能恢复已经证明可以显著提升残障患者的生活质量^[6]。清华大学与首都医科大学宣武医院合作开发的无线微创脑机接口系统(neural electronic opportunity, NEO),通过植入硬膜外电极采集患者脑电信号,驱动气动手套实现抓握功能^[7]。中国科学技术大学团队研发的柔性康复手套结合闭环控制与智能算法,通过采集患者健侧手指运动意图,驱动患侧进行精细动作训练可促进神经可塑性和手功能恢复^[8]。

脑电信号收集方法可分为侵入性、半侵入性和非侵入性3种类型。非侵入性方法通常通过电极帽来采集信号,因其具有操作便捷、无创以及较高的时间分辨率,因此被广泛应用于研究中^[9]。与基于稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)^[10]和P300电位^[11]的BCI范式不同,运动想象(motor imagery, MI)范式不依赖外部刺激,而是通过受试者自发的脑电活动进行控制^[12],能更直接地反映个体的运动想图,因而在无刺激的BCI系统中具有独特的优势。

目前,大多数基于MI的BCI系统只能区分有限的MI任务,并通过解码特定脑区的MI任务来产生控制命令。常见的MI任务通常涉及手部、足部或舌头等部位,这些部位在大脑中的解剖位置较为分散^[13]。然而,针对单一关节的MI任务,如不同关节和方向的运动识别,显得更为细致和实用。执行与单一关节相关的动作,如手部运动,有助于更精确地完成MI运动任务。与此相比,同一肢体的运动想象任务通常会在运动皮层中激活相似的空间区域,因此可能面临较高的信号冗余和噪声问题^[14-15]。此外,实验中的个体差异和生理变化往往会降低信号的辨识度。因此,提高MI脑电信号分类的准确性,尤其是在单侧上肢细微运动分类中的表现,显得尤为关键。

近年来,深度学习(deep learning, DL)作为一种主流技术,在脑电信号解码领域展现了巨大的潜力,其中卷积神经网络(convolutional neural network, CNN)凭借其卓越的自动特征提取能力,已成为提升分类准确性的关键工具^[16]。DeepConvNet凭借其深层网络结构在捕捉高维数据中的复杂模式时表现出了显著的优势,而ShallowConvNet则借鉴了滤波器组共享空间模式(filter bank common spatial pattern, FBCSP)的思想,设计更加简洁,但依然能够保持较高的分类性能^[17]。AMEEGNet是一种结合注意力机制和多尺度卷积的脑电信号解码方法,通过空洞卷积、不同尺度的二维卷积与深度卷积相结合,提取信号的时间、空间及频域特征,从而实现对运动想象和言语想象等脑电信号的高效分类^[18]。EEGNet是为脑电信号分析专门设计的多层CNN模型,其创新的特征提取方法通过深度卷积与可分离卷积相结合,既提升了分类性能,又提供了一种紧凑而强大的解决方案^[19]。EEGNeX进一步增强了空间表示的提取能力,采用膨胀卷积替代深度可分卷积,显著提高了4类运动想象任务的分类精度,推动了运动想象解码技术的进一步发展^[20]。

因此,现提出一种基于空间分组增强卷积神经网络的方法,用于提高单侧上肢六分类的脑电信号处理准确率。引入空间分组增强模块通过对EEG信号中的空间信息进行更加细致的处理,使得网络能够学习到更加精确的空间特征。为了进一步提升脑电信号分类的精度和实用性,整合普通卷积层、空间卷积层和深度可分离卷积层的多种卷积策略。这一策略通过普通卷积层提取信号的基本特征,空间卷积层专注于捕捉信号中的空间分布信息,深度可分离卷积层则优化网络的计算效率,降低计算负担,同时保持高效的特征提取能力。特别是深度可分离卷积层,通过减少卷积核的计算量,显著提高模型的计算效率和实时性。这种综合卷积机制不仅增强模型对信号噪声的抑制能力,还显著提高信号的信噪比,从而在不显著增加计算负担的情况下,提升分类任务的执行效率和准确度。

1 数据与预处理

1.1 实验与数据描述

所用的数据库选自Ofner等^[21]公开的Upper limb movement decoding from EEG数据集(http://bnci-horizon-2020.eu/database/data-sets,以下简称Ofner数据集)和实验室自采的单侧上肢六分类MI数据库。

1.1.1 Ofner公开数据库

研究使用的公开数据集包含15名健康成年受试者的EEG数据,受试者年龄范围为22~40岁,平均年龄为27岁,其中包括9名女性,除S1之外其余均为右利手。每位受试者坐在电脑前,手臂放松放在桌子上,以尽量减少肌肉疲劳。信号采集采用基于试验的范式,每次试验持续5 s。在试验开始时(0 s),会发出一声哔哔声,同时计算机屏幕上显示叉号。两秒后,屏幕会出现提示,指示受试者需要执行的动作。动作包括肘关节屈曲、肘关节伸展、旋后、旋前、手闭合、手张开,每类动作包含60次实验。

EEG信号通过61个通道的有源电极采集,这些电极覆盖受试者头部的前额、中央、顶部和颞部区域,信号采样频率为512 Hz。信号处理采用0.01~200 Hz的八阶切比雪夫带通滤波器,以去除噪声和不相关频率。

1.1.2 实验室自采数据库

自采数据集招募13名健康参与者,年龄介于22~26岁,平均年龄24岁,其中5名为女性。所有受试者均为右利手,且已签署知情同意书。该实验完全遵守《赫尔辛基宣言》,且得到了山东大学伦理委员会的批准。

整个实验过程如图1所示。实验在安静的环境中进行,受试者面对计算机屏幕,右臂自然放置以避免肌肉疲劳。基于线索的BCI范式用于指导受试者完成想象任务,每个想象任务持续10 s,开始2 s为准备阶段,屏幕上会显示指示箭头以指导想象的方向,每完成一个任务休息10 s。数据集涵盖了6类上肢运动想象任务,包括肘部屈曲、肘部伸展、前臂旋后、前臂旋前、手张开和手合拢。每个动作60次试验,共计360次试验。

所使用的数据采集设备是Open BCI系列无线脑电图信号采集系统,脑电信号通过16个通道的Ag/AgCl有源电极采集,采集通道分别为:F3、FZ、F4、FC3、FCZ、FC4、T7、C3、CZ、C4、T8、CP3、CP4、P3、PZ、P4,如图2所示。左耳和右耳分别为参考电极和接地电极,EEG电极按照国际10-20系统放置。采样率设置为128 Hz。在整个数据收集过程中,努力将电极阻抗保持在10 kΩ以下。

1.2 预处理

采集的EEG数据经过了系列基本的预处理流程。首先,使用50 Hz陷波滤波器去除工频干扰;随后,利用八阶巴特沃斯数字滤波器对数据进行1~30 Hz的带通过滤,这个频率范围特别适用于捕捉与运动想象任务相关的μ波和β波。接下来,采用全脑平均重新参考来减轻特定参考电极的影响。最后,利用EEGLab工具箱^[22]以及人工审查以去除眼电、肌电、心电和其他人为成分。

在脑电信号分析中,选择与特定大脑任务活动密切相关的通道对于增强模型性能至关重要。采用基于相关性的通道选择方法,通过计算通道信号间的皮尔逊相关性系数(Pearson correlation coefficient, PCC)来评估各通道与特定大脑活动之间的关联程度^[23]。皮尔逊相关性系数r是一种衡量两个连续变量之间线性关系强度的统计指标,计算公式为

(1)r(x₁,x₂)=$\frac{\stackrel{N}{\sum _{n=1}}({x}_{1,n}-{\stackrel{-}{x}}_{1})({x}_{2,n}^{\mathrm{*}}-{\stackrel{-}{x}}_{2}^{\mathrm{*}})}{\sqrt{\stackrel{N}{\sum _{n=1}}({x}_{1,n}-{\stackrel{-}{x}}_{1}{)}^{2}\stackrel{N}{\sum _{n=1}}({x}_{2,n}^{\mathrm{*}}-{\stackrel{-}{x}}_{2}^{\mathrm{*}}{)}^{2}}}$

式(1)中:N为样本数;x_1,_n和x_2,_n为正在分析的脑电通道序列;

${\stackrel{-}{x}}_{1}$

、

${\stackrel{-}{x}}_{2}$

为观测序列的平均值;

${x}_{1,n}^{\mathrm{*}}$

、

${x}_{2,n}^{\mathrm{*}}$

为复共轭运算符(如果序列中的值是复数)。

得到的r范围从-1~+1,其中-1表示完全负相关,+1表示完全正相关。

计算所有EEG通道对之间的PCC,生成一个相关矩阵。通过分析每个通道与其他所有通道的相关性强度,最终选取了与运动想象任务最相关的11个通道,即FCz、C3、Cz、C4、CPz、F3、Fz、F4、P3、Pz和P4。选择这些相关性最强的通道确保了所用信号具有高度代表性和信息量,从而显著提升了后续模型训练和分析的准确性。

2 空间分组增强多尺度卷积网络

EEG-SGENet它能够捕捉时域和空域的复杂特征,从而提高脑电信号处理任务的性能,整体结构图如图3所示。

2.1 空间分组增强模块

EEG-SGENet首先将预处理的数据从1~30 Hz进行频段分解为C份,如图4所示。脑电图电极通道数为H,数据长度为W,将分解的频段分为G组。进一步假设在一组网络学习过程中逐渐捕获特定特征,用χ={x₁,x₂,…,m}表示这一组,m=H×W,其中H、W分别为特征图的高度、宽度。在这个组空间中,理想情况下可以获得在特定脑电信号频段具有强响应的特征,而其他频段几乎没有激活。然而,由于不可避免的噪声和相似模式的存在,CNN通常很难获得均匀分布的特征响应。为了解决这个问题,建议利用整个组空间的整体信息来进一步增强关键频段中语义特征的学习,因为整个空间的特征不受噪声主导(否则模型从这个组中学不到任何东西)。因此,可以通过空间平均函数F_gp(·)使用全局统计特征来逼近该组学习表示的语义载体,即

(2)g=F_gp(χ)=$\frac{1}{m}\stackrel{m}{\sum _{i=1}}$x_i

式(2)中:χ为局部特征向量的集合;g为全局语义特征。

随后利用这个全局特征,为每个特征生成相应的重要性系数c,该系数是通过简单的点积获得的,该点积在一定程度上衡量全局语义特征g和局部特征x_i之间的相似性。因此,对于每个位置,有

(3)c_i=gx_i

为了防止各个样本之间系数的偏差幅度,在空间上对c进行标准化,即

$\hat{c}_{i}=\frac{c_{i}-\mu_{\mathrm{c}}}{\sigma_{\mathrm{c}}+\epsilon}$

式(4)中:

(4)

$\left\{\begin{array}{l}{\mu }_{\mathrm{c}}=\frac{1}{m}\stackrel{m}{\sum _{j=1}}{c}_{j}\\ {\sigma }_{\mathrm{c}}^{2}=\frac{1}{m}\stackrel{m}{\sum _{j=1}}({c}_{j}-{\mu }_{\mathrm{c}}{)}^{2}\end{array}\right.$

式中:c_j为从脑电信号中提取的局部特征的重要性系数;μ_c和σ_c分别为当前脑电样本中所有特征重要性系数的均值和标准差;$\epsilon$为保证数值稳定性的极小常数;

${\widehat{c}}_{i}$

为标准化后的重要性系数。

为了确保插入网络中的归一化可以表示单位变换,为每个系数引入一对参数γ和β,它们缩放和移动归一化值为

(5)a_i=γ${\widehat{c}}_{i}$+β

式(5)中:γ和β为SGE模块中引入的唯一参数;a_i为最终的注意力权重。

在单个SGE模块中,γ和β的数量与特征分组和数量(G群)的数量相同,其数量级大约为数十个(通常为32或64),与整个网络的数百万个参数相比,这基本可以忽略不计。最后,为了获得增强的特征载体

${\widehat{x}}_{i}$

,通过空间上的Sigmoid函数用生成的重要性系数a_i对原始局部特征x_i进行缩放,即

(6)${\widehat{x}}_{i}$=x_iσ(a_i)

所有增强的功能都构成模块的最终输出

$\widehat{x}$

${\widehat{x}}_{1}$

${\widehat{x}}_{2}$

,…,

${\widehat{x}}_{m}$

}。

2.2 时间维度特征提取模块

考虑到EEG信号的非平稳性、非线性特征以及强烈的随机性,EEG-SGENet引入了时间维度特征提取器。该模块采用标准卷积仅沿时间轴执行,使用N_f个(该模型中为8个)二维卷积滤波器,尺寸为(1, 64),滤波器长度为数据采样率的1/4(该模型中为128 Hz)。这一操作输出F₁个特征图,捕捉不同带通频率下的EEG信号,有效地提取时间维度上的复杂特征。

2.3 空间维度特征提取模块

在空间维度特征提取方面,SGENet使用核尺寸为(C,1)的深度卷积学习空间滤波器。这种操作使得网络能够直接为每个时间滤波器学习空间滤波器,从而高效地提取频率特定的空间信息。深度参数D控制每个特征图学习的空间滤波器数量。

2.4 时空并行特征提取模块

为了从时间和空间维度并行提取特征,SGENet采用了可分离卷积,包括一个深度卷积和F₂个(该模型中为16个)点向卷积。可分离卷积的主要优点包括减少学习参数的数量和明确解耦内部及特征图间的关系。深度卷积学习总结每个特征图的内核,而点状卷积则优化合并各个特征图。这种分离对于EEG应用至关重要,因为不同特征图可能代表来自不同时间尺度的数据。

时间维度特征提取模块、空间维度特征提取模块、时空并行特征提取模块组成的3层CNN架构如图5所示。

3 结果和讨论

3.1 实验细节

EEG-SGENet是使用PyTorch框架实现的。为了优化交叉熵损失函数和图损失函数,采用了Adma优化算法。为防止过拟合,应用了Dropout技术。在所有实验中,两个数据集使用十折交叉验证的平均精度和标准差来评估分类方法的性能。模型从头开始在GPU上进行完全监督的训练,以加速训练过程。

3.2 比较结果

将本文方法与几种先进的深度学习方法进行比较,包括ShallowConvNet、DeepConvNet、FBCSP、EEGNet和EEGNeX。Ofner数据集和自采数据集的比较结果分别在图6和图7中展示。进一步地,表1展示了EEG-SGENet在Ofner数据集上的平均准确率、精确率、召回率及F₁分数。表2展示了所提方法在自采数据集上的指标性能。

实验结果表明,所提出的EEG-SGENet在Ofner数据集和自采数据集上均显著优于其他几种先进的深度学习方法。在Ofner数据集上,EEG-SGENet实现了最高的分类准确率,较EEGNeX模型提升了2.66%;在自采数据集上,EEG-SGENet同样表现出色,分类准确率较其他方法提高了5.70%。

此外,EEG-SGENet 在通道选择上展现了明显的优势。与其他方法相比,EEG-SGENet 使用了更少的通道数,从而显著降低了多导联数据处理过程中的复杂性。如图8所示,经过通道筛选后,EEG-SGENet 的准确率比未经过筛选的版本高出 2.89%,这进一步突显了预处理中进行通道筛选的重要性。

通道筛选不仅能减少计算资源的消耗,还能提升模型的运行效率,使得该方法在实际应用中更加高效。通过减少不必要的通道,EEG-SGENet能够有效减少冗余信息的干扰,提升了对关键特征的提取能力。这一优势使其在处理大规模数据时具有更好的扩展性和更快的响应速度。

3.3 数据可视化

为了进一步展示EEG-SGENet的工作原理,对模型进行可视化分析,通过脑电地形图分析观察6种范式脑电地形图的特征变化。从图9可以看到,肘关节屈曲和伸展的MI主要集中在左侧初级运动皮层,旋前和旋后的MI主要分布在左侧顶叶和感觉关联区域,此外,右手MI的最明显表示区域位于感觉关联区域的左侧,手闭合和手张开形成对称的神经控制模式,反映了手部开合动作的协调性和对称性。

采用T分布随机邻域嵌入(t-SNE)^[24]将数据嵌入二维空间中以绘制散点图。图10显示了自采数据集受试者3的可视化示例。如图10(a)所示,原始数据的初始表示表现出明显的无序性,不同类别之间存在显著的重叠,导致分类困难。经过EEG-SGENet所构建的网络处理后,数据在二维空间中的分布更加分明,各类别之间的重叠显著减少,显示出明显的分类效果,如图10(b)所示。这表明EEG-SGENet能够有效提取和增强关键特征,提高数据的可分性,从而提升分类性能。

4 结论

提出了一种名为 EEG-SGENet 的空间分组增强多尺度卷积神经网络,专门用于解码来自同一上肢不同关节的MI信号。作为一种创新的深度学习架构,EEG-SGENet 通过引入空间分组增强模块并结合时间-空间特征提取器,显著提升了对脑电信号的高效分析与分类能力。该网络能够精细化地捕捉空间特征,从而有效提高对不同关节运动想象状态的区分能力,得出以下结论。

(1)空间分组增强模块的引入:该模块通过精细化处理脑电信号中的空间信息,提升了局部特征的提取能力,并有效减少了噪声干扰,从而增强了模型对复杂运动任务的解码能力。

(2)多尺度卷积策略的应用:通过结合普通卷积、空间卷积和深度可分离卷积层,EEG-SGENet 保证了高效的特征提取能力,确保了模型在减少计算负担的同时能够保持高效的信号分类性能。

(3)细化的通道选择方法:基于皮尔逊相关系数的通道选择策略,确保了在解码运动想象信号时所使用的通道具有较高的信息量和代表性,从而进一步提升了分类性能。

实验结果表明,EEG-SGENet 不仅提高了运动想象信号的解码准确率,还为残疾或虚弱上肢个体的康复治疗提供了技术支持。这为BCI技术的临床应用与实际场景中的运动功能恢复提供了巨大的潜力和应用价值。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Gao X, Wang Y, Chen X, et al. Interface, interaction, and intelligence in generalized brain-computer interfaces[J]. Trends in Cognitive Sciences, 2021, 25(8): 671-684.

[2]	肖松, 程和平. 脑机接口技术发展现状及未来展望[J]. 科学与社会, 2024, 14(3): 1-25.

[3]	Xiao Song, Cheng Heping. Development status and future prospects of brain-computer interface technology[J]. Science and Society, 2024, 14(3): 1-25.

[4]	毕文龙, 魏笑, 谭草, 等. 基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究[J]. 科学技术与工程, 2023, 23(16): 6952-6958.

[5]	Bi Wenlong, Wei Xiao, Tan Cao, et al. Motor imagery classification based on PSO-SVM and its BCI control in lower limb exoskeleton[J]. Science Technology and Engineering, 2023, 23(16): 6952-6958.

[6]	张亚徽, 王斐, 李景宏, 等. 基于稳态视觉诱发电位的智能轮椅半自主导航控制[J]. 机器人, 2019, 41(5): 620-627, 636.

[7]	Zhang Yahui, Wang Fei, Li Jinghong, et al. Semi-autonomous navigation control of intelligent wheelchair based on steady state visual evoked potential[J]. Robot, 2019, 41(5): 620-627, 636.

[8]	El-Hassan H, El-Maaddawy T, Al-Sallamin A, et al. Performance evaluation and microstructural characterization of GFRP bars in seawater-contaminated concrete[J]. Construction and Building Materials, 2017, 147: 66-78.

[9]	熊特, 胡瑢华, 邵杭峰, 等. 基于稳态视觉诱发电位的脑电控制上肢康复机器人[J]. 科学技术与工程, 2021, 21(17): 7237-7242.

[10]	Xiong Te, Hu Ronghua, Shao Hangfeng, et al. Control of upper limb rehabilitation robot based on steady-state visual evoked potential[J]. Science Technology and Engineering, 2021, 21(17): 7237-7242.

[11]	Liu D, Xu X, Li D, et al. Intracranial brain-computer interface spelling using localized visual motion response[J]. NeuroImage, 2022, 258.DOI: 10.1016/j.neuroimage.2022.119363.

[12]	Sui M, Ouyang Y, Jin H, et al. A soft-packaged and portable rehabilitation glove capable of closed-loop fine motorskills[J]. Nature Machine Intelligence, 2023, 5: 1149-1160.

[13]	Teo W P, Effie C. Is motor-imagery brain-computer interface feasible in stroke rehabilitation[J]. PM&R, 2014, 6(8): 723-728.

[14]	Gernot R, Muller P, Gert P. Control of an electrical prosthesis with an SSVEP-based BCI[J]. IEEE Transactions on Biomedical Engineering, 2007, 55(1): 361-364.

[15]	Polich J. Updating P300: an integrative theory of P3a and P3b[J]. Clinical Neurophysiology, 2007, 118(10): 2128-2148.

[16]	Gert P, Christa N. Motor imagery and direct brain-computer communication[J]. Proceedings of the IEEE, 2001, 89(7): 1123-1134.

[17]	Wagner J, Makeig S, Gola M, et al. Distinct β band oscillatory networks subserving motor and cognitive control during gait adaptation[J]. The Journal of Neuroscience: the Official Journal of the Society for Neuroscience, 2016, 36: 2212-2226.

[18]	Shiman F, López-Larraz E, Sarasola-Sanz A, et al. Classification of different reaching movements from the same limb using EEG[J]. Journal of Neural Engineering, 2017, 14. DOI 10.1088/1741-2552/aa70d2.

[19]	Harris-Love M L, Harrington R M. Non-invasive brain stimulation to enhance upper limb motor practice poststroke: a model for selection of cortical site[J]. Frontiers in Neurology, 2017, 8.DOI: 10.3389/fneur.2017.00224.

[20]	李玉花, 柳倩, 韦新, 等. 基于卷积神经网络的脑电信号分类[J]. 科学技术与工程, 2020, 20(15): 6135-6140.

[21]	Li Yuhua, Liu Qian, Wei Xin, et al. Classification of EEG signals based on convolutional neural networks[J]. Science Techno-logy and Engineering, 2020, 20(15): 6135-6140.

[22]	Schirrmeister R T, Springenberg J T, Fiederer L D, et al. Deep learning with convolutional neural networks for EEG decoding and visualization[J]. Human Brain Map, 2017, 38: 5391-5420.

[23]	任玲玲, 王力, 黄学文, 等. 基于注意力与多尺度的4类脑电信号解码[J]. 科学技术与工程, 2022, 22(34): 15180-15187.

[24]	Ren Lingling, Wang Li, Huang Xuewen, et al. Decoding motor and speech imagery EEG signals based on attention and multiscale model[J]. Science Technology and Engineering, 2022, 22(34): 15180-15187.

[25]	Lawhern V, Solon J, Waytowich N, et al. EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces[J]. Neural Engineering, 2018, 15(5). DOI: 10.1088/1741-2552/aace8c.

[26]	Chen X, Teng H, Chen, Y, et al. Toward reliable signals decoding for electroencephalogram: a benchmark study to EEGNeX[J]. Biomedical Signal Processing and Control, 2024, 87.DOI: 10.1016/j.bspc.2023.105475.

[27]	Ofner P, Schwarz A, Pereira J, et al. Upper limb movements can be decoded from the time-domain of low-frequency EEG[J]. PLoS ONE, 2017, 12(8). DOI: 10.1371/journal.pone.0182578.

[28]	Delorme A, Scott M. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J]. Journal of Neuroscience Methods, 2004, 134(1): 9-21.

[29]	李湘喆, 王丹, 张柏雯, 等. 基于脑电信号的通道选择研究综述[J]. 生物医学工程学杂志, 2024, 41(2): 398-405.

[30]	Li Xiangzhe, Wang Dan, Zhang Baiwen, et all. A review on electroencephalogram based channel selection[J]. Journal of Biomedi-cal Engineering, 2024, 41(2): 398-405.

[31]	宋耀莲, 殷喜喆, 杨俊. 基于时空特征学习Transformer的运动想象脑电解码方法[J]. 南京大学学报(自然科学版), 2023, 59(2): 313-321.

[32]	Song Yaolian, Yin Xizhe, Yang Jun. Transformer based on temporal-spatial feature learning for motor imagery electroencephalogram signal decoding[J]. Journal of Nanjing Universit(Nature Science Edition), 2023, 59(2): 313-321.