脑-机接口(Brain-computer interface，BCI)系统通过采集、分析大脑信号， 将其转换为输出指令，从而跨越外周神经系统，实现由大脑信号对外部设备的直 接控制，进而用于替代、修复、增强、补充或改善中枢神经系统的正常输出。基 于运动想象(Motor Imagery, MI)的 BCI 系统是唯一不需要外界刺激、能反映使 用者自主运动意识的 BCI 范式，其在运动功能代偿和运动功能修复方面具有重 要意义。近年来，MI-BCI 相关研究已经取得了一定的进展，但是仍然存在一些 瓶颈问题:1)运动想象任务解码性能有待提高;2)目前 MI-BCI 系统只能实现 基于左、右手等大肢体或单一关节的控制，并不能满足同一肢体不同关节的精细 控制需求。

本文面向 MI-BCI 研究中的难点问题，构建基于深度学习的高精度解码策 略，设计同一肢体不同关节的精细运动想象范式，探索其大脑响应模式，构建面 向 MI 任务结合 EEG 先验知识且具有可解释性的运动想象解码框架。本文研究 将推动精细运动想象 BCI 控制系统的研制，摆脱想象任务与外设输出模式不一 致的困境，为 MI-BCI 系统在康复领域的进一步应用提供关键技术基础。

  论文的主要工作和创新点归纳如下:

1. 针对 MI-BCI 系统不同肢体运动想象识别精度低的问题，本文首次提出 基于脑电电极空间位置的从额叶到枕叶空间序列数据的输入组织形式，并提出 了时间-空间并行长短期记忆网络框架来同步学习脑电信号中的时间-空间序列 信息。最后，时-空两条通路在特征层进行融合并分类。本文利用 eegmmidb 公开 数据集开展实验，实验结果证明了该方法的有效性，相比于经典运动想象解码方 法，本文所提出的时间-空间并行 LSTM 网络框架在不同肢体运动想象识别任务 上准确率提高了 8.25%。

2. 针对不同肢体运动想象范式对外控制时存在的认知失联问题，我们提出 了单侧肢体多个关节的精细运动想象新范式，并设计了通道-相关卷积网络用于 解码。我们设计实验并采集了 25 名被试的右侧上肢手指关节、手肘关节运动想 象任务的脑电数据以及睁眼静息数据。通过时频分析等发现两者都存在明显的 对侧占优效应，在对侧运动区导联的高 alpha 频率段存在显著差异。本文提出了基于通道-相关卷积网络的集成学习框架，从通道之间的相关系数特征中学习有 区分的表征，实现了 87.03% 的解码精度，相比于当前最好结果 74.2% 提升了约 13%，该项工作证明了单侧肢体两关节运动想象的可分性。

3. 针对单侧肢体运动想象指令集有限的问题，我们进一步拓展了单侧肢体 多个关节的运动想象范式，并提出频段注意力网络用于解码。我们设计实验和采 集了 20 名被试的五分类(指、腕、肘、肩和静息)数据集，分析了其大脑激活 模式。我们提出了频段注意力网络框架，该框架引入了注意力机制对多频带共空 间模式(common spatial filter, CSP)滤波特征进行特征权值再分配，并通过滑窗 保留了样本的时序信息，时序信息随后被 LSTM 层学习。在所采集的五分类数 据集上该网络获得了 46.15% 的解码精度，优于当前可比较方法。注意力模型权 重的可视化结果表明本文提出的网络通过学习能够关注到与任务相关的 alpha 和 beta 频段特征，且能根据输入自适应地调整注意力权重。该工作拓展了单侧肢体 运动想象范式的指令集，也为基于深度网络的脑电解码模型的可解释性研究提 供了新的思路。