Motor Imagery Task Alters Dynamics of Human Body Posture
本研究探讨了运动表象对人体姿势控制的影响，通过数学模型分析发现运动表象会显著改变压力中心的非线性动力学，且变化方向与想象运动一致，为康复科学中的针对性姿势调整提供了依据。
2024-05-31 eess.SP q-bio.NC
Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems
Western Sydney University（西悉尼大学）
训练的T1类卷积神经网络（CNN）模型将用于检查其在输入预处理的脑电图（EEG）数据时成功识别运动想象的能力。从理论上讲，如果模型已经被准确训练，它应该能够识别一个类并相应地标记它。然后将恢复CNN模型，并使用更小的采样数据来尝试识别相同类别的运动想象数据，以尝试模拟实时数据。
2022-05-31 cs.AI cs.LG eess.SP
Towards Asynchronous Motor Imagery-Based Brain-Computer Interfaces: a joint training scheme using deep learning
本文将深度学习（DL）方法应用于基于异步电机图像的脑机接口（BCI）的联合训练方案。所提出的DL方法是一维卷积神经网络和全连接神经网络（CNN-FC）的级联。重点是三种类型的大脑反应：非意象EEG（\textit{background EEG}），（\textit{pure imagery}）EEG，和EEG在背景EEG和纯意象（\textit{transitional imagery}）之间的过渡期。过渡图像信号的研究应该提供更深入的了解现实世界的情况。由此可以推断，单纯脑电表象和过渡脑电表象分别是高功率脑电表象和低功率脑电表象。此外，从CNN-FC的结果进行了比较，传统的方法为运动图像-BCI，即共同的空间模式（CSP）的特征提取和支持向量机（SVM）的分类（CSP-SVM）。在联合训练方案下，纯和过渡图像被视为同一类，而背景EEG是另一类。十倍交叉验证用于评估联合训练方案是否显着提高了从背景EEG中分类纯和过渡图像信号的性能任务。使用稀疏的几个电极通道（$C_{z}$、$C_{3}$和$C_{4}$），CNN-FC和CSP-SVM的平均准确率分别达到71.52%和70.27%。另一方面，在没有联合训练方案的情况下，CNN-FC和CSP-SVM的平均准确率分别仅为62.68%和52.41%。
2018-08-31 cs.HC eess.SP q-bio.NC
Enhanced motor imagery-based EEG classification using a discriminative graph Fourier subspace
图像信号处理是处理不规则区域的一种方法，在脑图像分析中得到了广泛的关注。运动想象任务被广泛用于脑-机接口（BCI）系统中，该系统使用从脑电信号中提取的特征来执行分类。本文提出了一种基于一般特征处理的两类运动想象任务分类方法。所提出的方法利用两个矩阵的同时对角化，量化来自每个类的数据的图谱表示的协方差结构，提供一个判别子空间，从数据中提取独特的功能。在BCI竞赛III的数据集IVa上评估了所提出方法的性能。实验结果表明，该方法优于两个国家的最先进的替代方法。
2022-01-23 eess.SP
Optimized Feature Selection and Neural Network-Based Classification of Motor Imagery Using EEG Signals
本研究提出一种结合支持向量机顺序前向特征选择与深度神经网络的方法，利用多通道EEG信号进行运动想象意图分类，有效识别关键空间特征并提升了模型性能。
2025-04-04 eess.SP
Single Channel-based Motor Imagery Classification using Fisher's Ratio and Pearson Correlation
针对运动想象BCI系统需缩减通道以走出实验室的需求，提出结合Fisher比率选通道、Pearson相关选滤波器组并提取时频特征的FRPC集成框架，经3个数据集验证有效，还探究了最优通道与适用类别。
2024-06-20 eess.SP
Sinc-based convolutional neural networks for EEG-BCI-based motor imagery classification
基于运动想象的脑机接口（BCI）将从脑电图（EEG）中识别的心理运动图像转换为控制命令。不同的想象任务，如手和脚的运动，脑电模式，有效地分类与机器学习技术使用频带功率功能。最近，卷积神经网络（CNN）也被应用，它同时从原始EEG数据中学习有效特征和分类器。然而，CNN有两个主要缺点：（i）它们具有非常大量的参数，因此需要非常大量的训练示例;（ii）它们不是为了显式地学习频域中的特征而设计的。为了克服这些限制，在这项工作中，我们引入了Sinc-EEGNet，这是一种轻量级的CNN架构，它结合了可学习的带通和去卷积滤波器。在公开的BCI竞赛IV数据集2a上获得的实验结果表明，我们的方法在分类准确性方面优于参考方法。
2021-01-19 eess.SP
An EEG pre-processing technique for the fast recognition of motor imagery movements
本文提出了一种新的运动想象脑电信号预处理方法。该技术导致在康复设备的基于大脑的实时控制的要求所施加的时间限制内加速确定图像运动和执行该图像运动的命令，从而使得根据患者的意愿驱动这些设备是可行的。基于运动想象的事件相关去噪和同步（ERD/ERS），接收到的患者信号首先经历与正常人类活动（例如眨眼和心脏运动）相对应的环境、系统和干扰噪声的去除。接下来，将处理后的信号的功率和能量特征与来自可用数据库的分类信号的相同特征进行比较，并且识别处理后的信号所属的类别。数据库分类是通过使用支持向量机算法离线。
2018-05-08 eess.SP physics.med-ph
Unsupervised Motor Imagery Saliency Detection Based on Self-Attention Mechanism
检测运动想象脑电信号（MI-EEG）的显著部分可以提高脑机接口（BCI）系统的性能，并减少处理冗长MI-EEG信号所需的计算负担。本文提出了一种基于自注意机制的无监督MI-EEG信号显著间隔自动检测方法。我们建议的方法可以用作任何BCI算法中的预处理步骤，以提高其性能。建议的方法的有效性进行评估，最广泛使用的BCI算法，共同的空间模式（CSP）算法，使用数据集2a BCI竞争IV。实验结果表明，该方法能有效地修剪MI-EEG信号，并显著提高CSP算法的分类精度。
2022-04-19 eess.SP
Unsupervised Adaptive Deep Learning Method For BCI Motor Imagery Decoding
IMT Atlantique（大西洋电信学院）；Lab-STICC（STICC实验室）；CNRS（法国国家科学研究中心）
提出一种无需监督的在线自适应深度学习方法，通过冻结模型并基于流式观测连续重新对齐输入与潜在空间数据，在跨被试运动想象脑电解码中达到离线性能水平。
2024-03-15 cs.LG eess.SP
Model-Agnostic Meta-Learning for EEG Motor Imagery Decoding in Brain-Computer-Interfacing
Imperial College London（帝国理工学院）
我们在这里介绍元学习的思想，用于训练EEG BCI解码器。元学习是一种训练机器学习系统的方法，使它们学会学习。我们在这里将元学习应用于一个简单的深度学习BCI架构，并将其与相同架构上的迁移学习进行比较。我们的元学习策略通过为BCI解码器找到最佳参数来运行，以便它可以在不同用户和记录会话之间快速泛化-从而也可以快速泛化到新用户或新会话。我们在Physionet EEG运动图像数据集上测试了我们的算法。我们的方法提高了运动想象的分类准确率在60%到80%之间，在小数据条件下优于其他算法。我们相信，建立元学习或学习学习的方法将有助于神经工程和人类界面快速建立神经信号解码器的挑战，使它们更适合日常生活。
2021-03-10 cs.LG eess.SP
On the assesment of functional connectivity in an immersive brain-computer interface during motor imagery
脑机接口（BCI）设计的新趋势旨在将该技术与沉浸式虚拟现实相结合，以便为其用户提供真实感。在这项研究中，我们提出了一个实验性的脑机接口控制沉浸式临场感系统使用运动想象（MI）。该系统是沉浸式的，因为用户可以在第一人称视角（1 PP）中控制NAO人形机器人的移动，即，就好像机器人的运动是他/她自己的一样。我们分析功能性脑连接之间的1 PP和3 PP在控制我们的BCI使用图论属性，如度，介数中心，和效率。这些度量的变化是针对1 PP的情况以及针对传统的第三人称视角（3 PP）获得的，在传统的第三人称视角中，用户可以看到机器人的移动作为反馈。作为概念验证，记录了两名受试者的脑电图（EEG）信号，同时他们执行MI以控制机器人的运动。将图论分析应用于通过部分有向相干（PDC）得到的二元有向网络。在我们的初步评估中，我们发现，与前额叶皮层的3 PP相比，1 PP条件下α脑节律的效率更高。此外，在1 PP条件下，在C3通道（初级运动皮层）测量的EEG信号对其他区域的影响更强。此外，我们的初步结果似乎表明，α和β脑节律在1 PP条件下的前额叶皮层有较高的深度，这可能与代理感的经验。因此，在沉浸式系统中控制远程呈现机器人的同时，使用PDC结合图论可能有助于理解这些环境中大脑网络的组织和行为。
2019-12-05 eess.SP q-bio.NC
Preliminary Assessment of hands motor imagery in theta- and beta-bands for Brain-Machine-Interfaces using functional connectivity analysis
使用基于时间和频率的功能已被证明是有效的分类过程中的心理任务的脑机接口（BCI）。尽管如此，这些方法中的大多数对潜在的大脑活动和功能几乎没有什么了解。因此，更好地了解大脑活动的机制和动力学，是必要的，以获得有用的和信息丰富的功能，脑机接口。在本研究中，我们的目标是调查功能连接的两个运动想象任务的差异，通过部分有向相干（PDC）分析，这是一个频域度量，提供信息的方向性在不同的通道记录的信号之间的相互作用。四名健康受试者参加了这项研究，两个心理任务进行了评估：想象的右手或左手的运动。我们通过两种不同的方法对这些任务进行区分：一方面，传统的基于谱功率的方法;另一方面，基于PDC的方法。结果表明，基于EEG的PDC分析提供了额外的信息，它可以潜在地改善主要在β频段的特征选择。
2020-07-25 eess.SP q-bio.NC stat.AP
A new fast approach for an EEG-based Motor Imagery BCI classification
脑-机接口在现代人的生活质量中扮演着重要的角色。然而，该技术主要受每次试验中记录信号的质量的影响。这个问题可以通过拒绝低质量的试验来解决。但是，基于来自大脑的记录信号（目标信号加上噪声和伪影的混合物）来开发处理，在所有试验质量都很低的情况下是不利的。本文提出了一种新的分离记录源信号的快速算法。实验结果表明，与对记录的混合信号进行处理的分类精度相比，该方法的分类精度有所提高。
2019-06-12 eess.SP
Subject-Adaptive Transfer Learning Using Resting State EEG Signals for Cross-Subject EEG Motor Imagery Classification
Daegu Gyeongbuk Institute of Science and Technology（大邱庆北科学技术院）；University of Pennsylvania（宾夕法尼亚大学）；Harvard Medical School（哈佛医学院）
针对EEG运动想象分类中受试者间变异性导致的任务信号采集成本高的问题，提出利用静息态EEG信号的受试者自适应迁移学习策略，通过特征解耦与信号校准实现模型适配，在三个基准上取得最优准确率，推动脑机接口实用化。
2024-07-09 cs.AI cs.LG eess.SP
A self-paced BCI system with low latency for motor imagery onset detection based on time series prediction paradigm
在自主起搏运动想象脑机接口（MI-BCI）中，连续脑电图（EEG）信号中呈现的MI命令的起始是未知的。为了检测这些发作，大多数自定步调的方法在连续EEG信号上应用窗口函数，并将其分成长段以供进一步分析。因此，系统具有高延迟。为了减少系统延迟，我们提出了一种基于时间序列预测概念的算法，并使用先前接收到的时间样本的数据来预测即将到来的时间样本。我们的预测器是一个由长短期记忆（LSTM）单元构建的编码器-解码器（ED）网络。通过将输入信号与预测信号进行比较，很快检测到MI命令的开始。所提出的方法验证数据集IVc从BCI竞争III。仿真结果表明，该算法提高了26.7%的平均F1得分的竞争中获胜者所取得的时间短于1秒。
2022-04-12 eess.SP
Divergence Framework for EEG based Multiclass Motor Imagery Brain Computer Interface
与大多数真实世界的数据类似，EEG信号中普遍存在的非平稳性显著干扰了特征分布，从而恶化了脑机接口的性能。在这封信中，提出了一种新的方法，基于联合近似对角化（JAD），以优化多类运动想象脑机接口（BCI）的平稳性在信息论的框架。具体而言，在所提出的方法中，我们估计优化类之间的可辨别性，同时保持运动想象类内的平稳性的子空间。我们确定所提出的方法，通过优化正交流形上的梯度下降的子空间。所提出的平稳性执行算法的性能进行比较，基线一对休息（OVR）-CSP和JAD公开可用的BCI竞争IV数据集IIa。结果表明，在基线算法的平均分类精度的提高，从而缓解会话内的非平稳性的本质。
2019-01-12 cs.HC eess.IV eess.SP
Mu-suppression detection in motor imagery electroencephalographic signals using the generalized extreme value distribution
研究脑-机接口（BCI）中脑电信号中μ抑制的检测问题。为此，提出了一种基于统计模型和线性分类器的有效算法。更准确地说，广义极值分布（GEV）被提出来表示中央运动皮层的脑电信号的功率谱密度。使用最大似然法估计相关的三个参数。基于这些参数，一个简单而有效的线性分类器被设计成三种类型的事件：意象，运动，和休息。初步结果表明，所提出的统计模型可以用来准确地检测μ抑制和区分不同的EEG事件，具有很好的分类精度。
2020-05-29 eess.SP stat.AP stat.ML
Deep Learning Architecture for Motor Imaged Words
针对运动想象EEG信号，本文结合小波去噪、ICA降维、STFT与Gramian Angular field特征提取，并采用CNN/RNN深度学习架构实现命令转换，还通过跨受试者权重迁移提升动作识别准确率。
2023-08-08 eess.SP q-bio.NC
FingerNet: EEG Decoding of A Fine Motor Imagery with Finger-tapping Task Based on A Deep Neural Network
Chungbuk National University（忠北国立大学）；The Catholic University of Korea（韩国天主教大学）
本研究提出专门用于精细运动想象分类的深度网络FingerNet，可提取EEG时空特征，在五指敲击任务分类上准确率优于EEGNet和DeepConvNet，采用加权交叉熵缓解类别不平衡，可拓展至多类运动想象及多分类领域。
2024-03-06 cs.LG eess.SP q-bio.NC
Motor Imagery Classification of Single-Arm Tasks Using Convolutional Neural Network based on Feature Refining
Korea University（高丽大学）
脑机接口（BCI）解码大脑信号以理解用户意图和状态。由于其简单、安全的数据采集过程，脑电图（EEG）被广泛应用于无创脑机接口。运动想象（MI）是脑电的一种范式，由于其信号来源，常用于运动功能的恢复或康复。然而，EEG信号是振荡的和非平稳的信号，这使得难以准确地收集和分类MI。在这项研究中，我们提出了一个频带功率特征细化卷积神经网络（BFR-CNN），它是由两个卷积块，以实现高的分类精度。通过采集脑电信号建立包含单臂运动想象的MI数据集，该模型在4类MI任务分类中优于传统方法。因此，我们证明了使用BFR-CNN仅使用具有鲁棒性能的EEG信号就可以解码用户意图。
2020-02-04 cs.HC cs.LG eess.SP
Embodied Virtual Reality Feedback Reshapes Neural Representations to Support Continuous Three-Dimensional Motor Imagery Decoding
Ulster University（阿尔斯特大学）；University of Bath（巴斯大学）
本研究通过十名参与者的纵向实验，首次系统探究了具身虚拟现实反馈在实时三维虚拟肢体运动想象控制中的作用，发现VR反馈显著优于屏幕反馈，能提升解码性能并诱发更可解码和泛化的神经表征。
2026-05-28 cs.HC eess.SP q-bio.NC
Cross-Correlation Based Discriminant Criterion for Channel Selection in Motor Imagery BCI Systems
Objective.许多基于脑电（EEG）的脑机接口（BCI）系统为了获得更高的性能而使用大量的通道，这是建立耗时且不便于实际应用的。找到一个最佳的子集的通道，而不损害性能是一个必要的和具有挑战性的任务。Approach.在这篇文章中，我们提出了一个基于互相关的判别准则（XCDC），它评估的重要性，区分不同的运动想象（MI）任务的心理状态的通道。根据所提出的标准对信道进行排序和选择。在两个运动想象脑电数据集上评估了XCDC的功效。主要结果。在这两个数据集中，与全通道设置相比，XCDC显着减少了通道数量，而不会影响分类准确性。在相同的精度约束下，该方法比现有的基于皮尔逊相关系数和共同空间模式的信道选择方法需要更少的信道。XCDC的可视化显示与神经生理学原理一致的结果。意义本文提出了一种量化的脑电通道在MI任务中的重要性评估和排序标准，并为MI BCI系统校准阶段的通道选择提供了一种实用的方法，从而降低了后续步骤的计算复杂度和配置难度，使BCI系统实时性和使用方便性得到提高。
2021-03-03 cs.LG eess.SP
Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning
City University of London（伦敦城市大学）；University of Liverpool（利物浦大学）
本文提出了一种基于最小随机卷积核变换和混合深度学习的运动想象EEG信号分类方法，通过高效特征提取和低计算成本实现高准确率分类。
2025-08-22 cs.AI cs.LG eess.SP
Sparse Multitask Learning for Efficient Neural Representation of Motor Imagery and Execution
Korea University（高丽大学）
本研究针对脑机接口中神经数据高效建模的需求，提出基于显著性剪枝的稀疏多任务学习框架用于运动想象与执行分类，可缓解过拟合并提升小数据下的性能，助力高效鲁棒BCI系统开发。
2023-12-10 cs.LG eess.SP
Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI
University of Trieste（的里雅斯特大学）
基于运动图像的脑机接口（MI-BCI）有可能成为神经康复的突破性技术，为患有神经元疾病和残疾的患者重建非肌肉沟通和命令，但也在临床实践之外，用于视频游戏控制和其他娱乐目的。然而，由于所使用的EEG信号的噪声性质，可靠的BCI系统需要用于特征优化和提取的专门程序。本文比较了两种方法，共同的空间模式与线性判别分析分类器（CSP-LDA），广泛用于脑机接口提取特征的运动想象（MI）任务，和双增广拉格朗日（DAL）框架与三种不同的正则化方法：组稀疏与行组（DAL-GLR），双谱（DAL-DS）和l1范数正则化（DAL-L1）。对7名健康受试者进行了测试，每名受试者进行5次BCI-MI。初步结果表明，DAL-GLR方法优于标准CSP-LDA，误分类误差降低6.9%（p值= 0.008），并证明了DAL框架对MI-BCI的优势。
2020-10-13 cs.AI cs.LG cs.NE
Time-space-frequency feature Fusion for 3-channel motor imagery classification
Tianjin University（天津大学）
针对低通道EEG运动想象解码难题，提出融合时空频特征的TSFF-Net及轻量级TSFF-img架构，通过MMD损失约束特征分布，在公开数据集上优于现有方法。
2023-04-04 cs.AI cs.LG eess.SP
Classification of High-Dimensional Motor Imagery Tasks based on An End-to-end role assigned convolutional neural network
Korea University（高丽大学）
脑机接口（BCI）提供了用户和外部设备之间的直接通信路径。脑电运动想象范式被广泛应用于无创脑机接口中，以获取包含用户运动执行意图的编码信号。然而，EEG具有复杂和非平稳特性，导致解码性能不足。通过想象单臂的许多运动，可以在没有人工命令匹配的情况下提高解码性能。在这项研究中，我们收集了直观的EEG数据包含了9个不同类型的运动的单臂从9个主题。我们提出了一个端到端的角色分配卷积神经网络（ERA-CNN），它考虑了每个上肢区域的区别特征，采用分层CNN架构的原则。该模型在3类、5类和两种不同类型的7类分类任务上优于以往的方法。因此，我们证明了使用ERA-CNN仅使用具有鲁棒性能的EEG信号解码用户意图的可能性。
2020-02-04 cs.LG eess.SP
Neural Network-Based Feature Extraction for Multi-Class Motor Imagery Classification
从脑电（EEG）中解码运动想象（MI）是脑-机接口（BCI）系统的重要组成部分，该系统帮助运动障碍者通过外部设备与外部世界进行交互。脑电数据的非平稳特性给脑机接口带来了信息混乱，是目前脑机接口研究的主要问题。在这项工作中，首次提出了将EEG信号转换为称为自动编码器的无监督神经网络的权重向量的创新思想，以解决该问题。针对个体EEG数据训练单独的自动编码器。然后针对各个EEG信号优化权重向量。因此，EEG信号被表示在新的域中，该新的域是各个自动编码器的权重向量的形式。然后使用权向量来提取特征，例如自回归系数（AR）、香农熵（SE）和小波前导。一个基于窗口的特征提取技术实现捕获的局部特征的EEG数据。最后，使用分类器网络对提取的特征进行分类。所提出的方法进行了测试，两个公开访问的EEG数据集（BCI竞争-III和竞争-IV），以确保它是成功的，优于以前发表的方法。所提出的技术实现了平均准确度为95.33%的BCI-III和平均准确度为97%的BCI-IV的四类EEG为基础的MI分类的BCI-IIIa。实验结果表明，该方法是一种很有前途的方法，以提高脑机接口的性能。
2022-01-05 eess.SP
An Accurate EEGNet-based Motor-Imagery Brain-Computer Interface for Low-Power Edge Computing
ETH Zürich（苏黎世联邦理工学院）；University of Bologna（博洛尼亚大学）
本文提出了一种精确和鲁棒的嵌入式运动想象脑机接口（MI-BCI）。所提出的基于EEGNet的新模型符合低功耗微控制器单元（MCU）（如ARM Cortex-M系列）的内存占用和计算资源要求。此外，本文提出了一组方法，包括时间下采样，通道选择和缩小分类窗口，以进一步缩小模型，以放松内存要求，精度下降可以忽略不计。在Physionet EEG运动/图像数据集上的实验结果表明，标准EEGNet在全局验证中对2类、3类和4类MI任务的分类准确率分别为82.43%、75.07%和65.07%，比最先进的（SoA）卷积神经网络（CNN）高出2.05%、5.25%和5.48%。我们的新方法进一步缩小了标准EEGNet，精度损失为0.31%，内存占用减少了7.6倍，精度损失为2.51%，减少了15倍。缩放模型部署在商用Cortex-M4 F MCU上，操作最小模型需要101 ms，每个推理消耗4.28 mJ，中型模型需要44 ms，每个推理消耗18.1 mJ，实现完全自主，可穿戴和准确的低功耗BCI。
2023-01-16 cs.HC cs.LG eess.SP
Mirror contrastive loss based sliding window transformer for subject-independent motor imagery based EEG signal recognition
针对跨被试运动想象脑电识别中黑箱模型对ERD空间位置不敏感的问题，提出MCL-SWT方法，通过镜像对比损失增强对ERD空间位置的感知，并结合时间滑动窗口Transformer提升识别准确率，在实验中超越SOTA模型。
2024-08-29 cs.AI cs.LG eess.SP
A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery
Virginia Tech（弗吉尼亚理工大学）
共同空间模式（CSP）是一种流行的脑电（EEG）运动想象（MI）特征提取方法。本文对传统的CSP算法进行了改进，提高了多类MI分类的精度，并保证了计算过程的高效性。EEG MI数据是从脑机接口（BCI）竞赛IV中收集的。首先，对每一次实验进行带通滤波和时频分析。然后，根据信号能量的大小选择最优的脑电信号进行CSP特征提取。最后，提取的特征进行分类的三个分类器，线性判别分析（LDA），朴素贝叶斯（NVB），支持向量机（SVM），在并行的分类精度比较。实验结果表明，该算法的平均计算时间比第四届BCI竞赛第一名FBCSP算法减少了37.22%，比传统CSP算法增加了4.98%。对于分类率，与BCI竞赛IV的前3名获奖者相比，所提出的算法kappa值达到第二高。
2020-08-25 cs.LG eess.SP
The evolution of AI approaches for motor imagery EEG-based BCIs
University of Milano-Bicocca（米兰比可卡大学）；NeuroMI, Milan Center for Neuroscience（米兰神经科学中心 NeuroMI）；University of Insubria（因苏布里亚大学）
本文综述了人工智能方法在基于运动想象脑电的脑机接口数据上的演进与影响，分析了不同年份和设备收集的数据集，强调了AI在提供用户反馈中的重要性。
2022-10-11 cs.AI cs.HC cs.LG
A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification
West China Hospital, Sichuan University（四川大学华西医院）；Southwest Jiaotong University（西南交通大学）
脑电（EEG）信号是非平稳、随机和高度非线性的生物电信号，对于其实现高分类精度是具有挑战性的，特别是当受试者数量有限时。作为常用的解决方案，基于多层神经网络的分类器必须在没有大量训练数据集和仔细调整的情况下实现。本文提出了一个流形学习框架，通过发现低维几何结构来分类运动想象（MI）任务中的两种类型的EEG数据。对于特征提取，它是由共同的空间模式（CSP）从预处理的脑电信号。在用于分类的特征的邻域中，获得对数据的支持度的局部逼近，然后将特征分配到具有最接近支持度的类。该方法利用球面近似构造了一个球面近似（SPA）分类器，并利用流形方法对提取的特征进行分类。SPA分类器在2008年BCI竞赛数据中取得了较高的准确率，分析表明，该方法能显著提高MI任务的解码准确率，对小样本数据集表现出较强的鲁棒性。在线脑机接口（BCI）系统的双参数分类器的调整将是简单而有效的。
2021-07-30 cs.LG eess.SP
Optimal Time Window and Frequency Bandwidth Parameter Combination for Subject-Specific Motor Imagery EEG Classification
School of Electronic Engineering, Dublin City University（都柏林城市大学电子工程学院）；Insight SFI Centre for Data Analytics and School of Computing, Dublin City University（都柏林城市大学数据洞察SFI中心及计算机学院）
本文研究了在运动想象EEG分类中，同时优化时间窗口和频率带宽参数对分类性能的影响，通过在109名受试者上训练和测试不同参数组合的主体特异性模型，并利用重复测量方差分析揭示了不同带宽和时间窗口在准确性上的显著差异，发现(0,4)秒和(4,12)Hz的组合在所有受试者中表现最佳。
2026-05-20 eess.SP
EEG-Based Motor Imagery BCI Algorithms and Technologies: A Review
Sharif University of Technology（谢里夫理工大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
本文综述了基于脑电的运动想象脑机接口算法与硬件技术，涵盖AI方法及新兴融合技术，旨在推动高性能实时MI-BCI系统创新。
2026-09-29 cs.LG eess.SP
Robust Feature Engineering Techniques for Designing Efficient Motor Imagery-Based BCI-Systems
Salim Habib University（萨利姆哈比布大学）；NUST（国家科技大学）；Riphah International University（里法国际大学）；NED University（NED大学）；Institute of Business Administration（商业管理学院）
针对运动想象BCI中EEG识别准确率不足的问题，本文结合多域特征提取、MRMR选择与多种分类器，使SVM最高准确率达95.48%。
2025-02-20 cs.CV cs.LG eess.SP
Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor Imagery Recognition
Northeast Electric Power University（东北电力大学）；Changchun University of Science and Technology（长春理工大学）；University of Sydney（悉尼大学）
在构建实用的基于脑电图（EEG）的脑机接口（BCI）之前，识别精度和响应时间都是至关重要的。然而，最近的方法，要么妥协的分类精度或响应时间。本文提出了一种新的深度学习方法，旨在实现基于头皮EEG的非常准确和响应性的运动想象（MI）识别。具有注意力机制的双向长短期记忆（BiLSTM）设法从原始EEG信号中获得相关特征。连通图卷积神经网络（GCN）通过与从整体数据中估计的特征的拓扑结构相配合来提高解码性能。0.4秒的检测框架已经显示出基于个人和群体训练的有效和高效的预测，准确率分别为98.81%和94.64%，优于所有最先进的研究。本文提出的深度特征挖掘方法可以从原始脑电信号中准确识别出人体运动意图，为将基于脑电信号的MI识别转化为实际的脑机接口系统铺平了道路。
2021-12-02 cs.CV cs.HC cs.LG
Multi-Feature Riemannian Hypergraph for Online Test-Time Adaptation of Motor Imagery Brain-Computer Interface
Peking University（北京大学）；Chinese Institute for Brain Research（中国脑科学研究院）；NeuCyber Neurotech（纽赛博神经科技公司）；Beijing Medical University（北京医科大学）；Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院北京协和医学院）
针对MI-BCI解码的跨天可迁移性与在线运行挑战，提出MRieHy框架，通过融合黎曼几何的双超图实现在线测试时自适应，在三类数据集上性能优于现有基线。
2026-08-18 cs.HC cs.LG eess.SP
RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for Intuitive Responsiveness and High-Accuracy Motor Imagery Classification
本文提出RLEEGNet框架，结合强化学习DQN与1D-CNN-LSTM架构及CSP预处理技术，解决假肢控制缺乏实时适应性问题，在GigaScience和BCI-IV-2a数据集上实现高达100%的运动想象分类准确率。
2024-02-09 cs.AI eess.SP
An Improved EEG Acquisition Protocol Facilitates Localized Neural Activation
Indian Institute of Science（印度科学研究所）；PES University（PES大学）
这项工作提出了改进的脑电图（EEG）记录协议，通过引入实际的运动和/或体感线索的运动想象。所获得的结果表明，要求受试者进行运动动作的优势，以下的试验的图像。通过在协议中引入运动动作，受试者能够执行实际的运动规划，而不仅仅是将运动运动可视化，从而大大提高了想象运动运动的容易性。本研究还探讨了额外的优势，管理体感线索的主题，而不是传统的听觉/视觉线索。协议中的这些变化显示出在数据上获得的空间滤波器的适用性方面的承诺，在众所周知的公共空间模式（CSP）算法的应用上。由空间滤波器突出显示的区域是更本地化的和一致的，当协议与体感刺激增强。因此，我们建议，这可能被证明是一个更好的脑电图采集协议，用于检测大脑激活（临床）瘫痪/锁定患者的预期运动命令。
2020-03-13 cs.AI eess.SP q-bio.NC
Subject Specific Deep Learning Model for Motor Imagery Direction Decoding
针对单侧运动想象方向解码难题，提出基于EEGNet并引入挤压-激励层的深度学习框架，通过受试者无关预训练与个体微调实现在线解码，在20名健康受试者上取得58.7±8%的平均准确率，优于现有模型。
2025-01-03 cs.NE eess.SP
Applying Dimensionality Reduction as Precursor to LSTM-CNN Models for Classifying Imagery and Motor Signals in ECoG-Based BCIs
本研究提出利用无监督降维技术 UMAP 结合 KNN 作为预处理步骤，评估并减少对 LSTM 和 CNN 等监督深度学习方法的依赖，以优化基于 ECoG 的 BCI 运动意象分类，提升康复效率并解决监管与安全问题。
2023-11-22 cs.HC cs.LG eess.SP
Robotic Grasping and Placement Controlled by EEG-Based Hybrid Visual and Motor Imagery
Institute of Science and Technology for Brain-inspired Intelligence (ISTBI), Fudan University（复旦大学类脑智能科学与技术研究院）；School of Data Science, Fudan University（复旦大学大数据学院）；Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身智能研究院）；Shanghai Key Laboratory of Multimodal Embodied AI（上海市多模态具身智能重点实验室）；Shanghai Innovation Institute（上海创新研究院）；ETH Zürich（苏黎世联邦理工学院）
本文提出一种整合EEG视觉和运动想象与机器人控制的框架，实现实时意图驱动的抓取与放置。系统通过离线预训练解码器在在线流式管道中零样本方式实现神经信号与物理控制的连接，实现视觉意图到机器人动作的转换，验证了纯想象基BCI范式在实际人机协作中的灵活性。
2026-04-07 cs.RO eess.SP
Spatial and Spectral Features Fusion for EEG Classification during Motor Imagery in BCI
脑机接口（BCI）是某些特殊患者与外界进行交流的唯一途径，为大脑与外部设备之间提供了直接的控制通道。头皮脑电作为一种非侵入性的接口，有可能成为未来脑机接口系统的主要输入信号。传统的脑机接口方法只关注脑电信号中的某一特征，限制了脑机接口的实际应用。在本文中，我们提出了一种算法，脑电分类的能力，融合多个功能。首先，以共同空间模式（CSP）作为空间特征，以小波系数作为光谱特征。其次，将这些特征以协调的方式与融合算法融合，以提高分类精度。我们的算法被应用到数据集IVa从BCI完整的\uppercase \expandafter{\romannumeral3}。通过分析实验结果，可以得出结论，我们可以推测，我们的算法比传统的方法性能更好。
2018-08-06 eess.SP q-bio.QM
MI-BMInet: An Efficient Convolutional Neural Network for Motor Imagery Brain--Machine Interfaces with EEG Channel Selection
本文提出高效CNN模型MI-BMInet，结合自动通道选择与8位量化，在PULP MCU上实现30uJ/次推理、82.51%准确度，成为嵌入式MI-BMI新基准。
2024-09-19 eess.SP
A Spatial-Spectral and Temporal Dual Prototype Network for Motor Imagery Brain-Computer Interface
针对小样本MI-EEG解码难题，提出融合轻量空间-光谱注意力、无参数多尺度方差池化与双原型学习的SST-DPN，在三个BCI数据集上取得先进准确率。
2024-10-29 cs.HC eess.SP
Decoding EEG Rhythms During Action Observation, Motor Imagery, and Execution for Standing and Sitting
事件相关去同步化（ERD/S）和运动相关皮层电位（MRCP）在脑机接口（BCI）的下肢康复中起着重要作用，尤其是在站立和坐位时。然而，人们对站立和坐姿之间皮层激活的差异知之甚少，特别是大脑的意图如何调节运动前的感觉运动节奏，就像他们对切换运动所做的那样。在这项研究中，我们的目的是调查连续EEG节律的解码过程中的动作观察（AO），运动想象（MI），和运动执行（ME）的行动，站着和坐着。我们开发了一个行为任务，其中参与者被指示执行AO和MI/ME关于从坐到站和从站到坐的过渡动作。我们的研究结果表明，ERD是突出的AO期间，而ERS是典型的MI期间在整个感觉运动区的α波段。将滤波器组公共空间模式（FBCSP）和用于分类的支持向量机（SVM）组合用于离线和分类器测试分析。离线分析表明，AO和MI的分类提供了最高的平均准确度，在82.73 $\pm$ 2.54\%的站立到坐的过渡。通过应用分类器测试分析，我们证明了更高的性能解码的神经意图从MI范式相比，ME范式。这些观察使我们看到了使用我们开发的基于AO和MI集成的任务来构建未来基于外骨骼的康复系统的有希望的方面。
2020-06-27 cs.HC eess.SP
Pioneering EEG Motor Imagery Classification Through Counterfactual Analysis
Korea University（高丽大学）
针对反事实解释技术在EEG分类中应用较少的问题，提出一种交换时频分析块的非生成式反事实解释方法，验证了其有效性并提升了模型可解释性与人类信任。
2023-11-10 cs.AI cs.LG eess.SP
Binarization Methods for Motor-Imagery Brain-Computer Interface Classification
ETH Zurich（苏黎世联邦理工学院）；University of Bologna（博洛尼亚大学）；IBM Research-Zurich（IBM苏黎世研究院）
成功的运动想象脑机接口（MI-BCI）算法要么提取大量手工特征并训练分类器，要么将特征提取和分类结合在深度卷积神经网络（CNN）中。这两种方法通常会导致一组实值权重，当在资源严格受限的设备上进行实时执行时，这会带来挑战。我们提出了这些方法中的每一种方法，允许将实值权重转换为二进制数，以进行有效的推理。我们的第一种方法基于稀疏双极随机投影，将大量实值黎曼协方差特征投影到二进制空间，其中线性SVM分类器也可以使用二进制权重进行学习。通过调整二进制嵌入的维度，我们在4类MI中实现了几乎相同的精度（与float 16权重的模型相比，低$\leq$ 1.27%），但提供了一个更紧凑的模型，执行操作更简单。其次，我们建议使用记忆增强神经网络（MANN）的MI-BCI，这样的增强记忆是二进制化。我们的方法使用双极随机投影或学习投影将CNN的全连接层替换为二进制增强记忆。我们在EEGNet上的实验结果表明，使用随机投影，它可以在等精度下压缩1.28倍，EEGNet是一个已经紧凑的用于MI-BCI的CNN。另一方面，使用学习的投影提供了3.89%的更高精度，但内存大小增加了28.10倍。
2020-10-14 cs.LG eess.SP
On-device Learning of EEGNet-based Network For Wearable Motor Imagery Brain-Computer Interface
ETH Zürich（苏黎世联邦理工学院）；Tsinghua University（清华大学）；German Research Center For Artificial Intelligence（德国人工智能研究中心）；Slovak Academy of Sciences（斯洛伐克科学院）
本文提出在GAP9处理器上为EEGNet实现轻量级设备端在线学习，以应对运动想象脑机接口中的用户间特征分布漂移，在仅15.6 KB内存下实现最高7.31%的准确率提升，并保持低延迟和低能耗。
2024-08-25 cs.AI cs.HC cs.LG
Emotion-robust EEG Classification for Motor Imagery
Technical University of Munich（慕尼黑工业大学）
脑机接口（BCIs）的发展正在通过在辅助系统中的使用来增强那些患有严重身体疾病的人的能力。实现这一目标的常用方法是通过运动想象（MI），它将大脑信号映射到某些命令的代码。脑电图（EEG）由于其非侵入性而优选用于记录脑信号数据。尽管具有潜在的实用性，但MI-BCI系统仍仅限于研究实验室。造成这种情况的一个主要原因是这种系统缺乏鲁棒性。正如两个团队在Cybathlon 2016期间所假设的那样，系统脆弱性的一个特殊来源是受试者情绪唤醒状态的急剧变化。这项工作旨在使MI-BCI系统对这种情绪扰动具有弹性。为此，受试者在记录EEG数据之前暴露于高唤醒和低唤醒诱导的虚拟现实（VR）环境。COVID-19的出现迫使我们修改我们的方法。我们没有训练机器学习算法来对情绪唤醒进行分类，而是选择对作为每个状态代理的对象进行分类。此外，MI模型针对每个受试者而不是每个唤醒状态进行训练。由于培训受试者使用MI-BCI可能是一个艰巨而耗时的过程，因此减少这种可变性并提高鲁棒性可以大大加快BCI支持的辅助技术的接受和采用。
2020-05-23 cs.HC cs.LG eess.SP
GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals
Northeast Electric Power University（东北电力大学）；City University of Hong Kong（香港城市大学）；Jinan Vocational College of Nursing（济南护理职业学院）；University of Sydney（悉尼大学）
为了开发有效的脑机接口（BCI）系统，精确解码由脑电图（EEG）测量的大脑活动是非常有必要的。传统的脑电信号分类方法没有考虑电极间的拓扑关系。然而，神经科学研究越来越强调大脑动力学的网络模式。因此，电极的欧几里德结构可能不足以反映信号之间的相互作用。为了填补这一空白，提出了一种新的基于图卷积神经网络（GCN）的深度学习框架，以增强不同类型的运动想象（MI）任务期间原始EEG信号的解码性能，同时配合电极的功能拓扑关系。基于整体信号的绝对皮尔逊矩阵，建立了脑电电极的图拉普拉斯算子。由图卷积层构造的GCNs-Net学习广义特征。随后的池化层降低了维度，而完全连接的softmax层推导出最终的预测。所介绍的方法已被证明是收敛的个性化和群体明智的预测。与现有研究相比，它在受试者和组水平上分别实现了最高的平均准确度，93.06%和88.57%（PhysioNet数据集），96.24%和80.89%（高伽马数据集），这表明了对个体变异性的适应性和鲁棒性。此外，性能是稳定的重复性实验交叉验证。我们的方法的优异性能表明，它是迈向更好的BCI方法的重要一步。综上所述，GCNs-Net基于功能拓扑关系过滤EEG信号，其设法解码脑运动想象的相关特征。
2022-08-26 cs.LG cs.NE eess.SP
Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline
Huazhong University of Science and Technology（华中科技大学）；Hangzhou Dianzi University（杭州电子科技大学）
针对基于运动想象的脑机接口校准工作量大的问题，本文提出在空间滤波前增设数据对齐模块，并在空间滤波、特征工程、分类全流程应用迁移学习，经两个数据集实验验证可显著提升分类性能、降低校准成本。
2021-01-22 cs.HC cs.LG eess.SP
