Optimized motor imagery paradigm based on imagining Chinese characters writing movement
运动想象（MI）是运动行为的心理表征，已被广泛用作脑机接口（BCI）的控制方法，允许身体受损者进行交流。基于MI的脑机接口的性能主要取决于受试者对脑电信号的自调制能力。适当的训练可以帮助幼稚的受试者学会熟练地调节大脑活动。然而，训练对象通常涉及抽象的运动任务，并且是耗时的。为了提高幼稚被试在运动想象过程中的表现，提出了一种新的范式，该范式将指导幼稚被试有效地调节大脑活动。在这个新的范式中，左手或右手的图片被用来作为线索，为受试者完成运动想象任务。14名健康受试者（11名男性，年龄22-25岁，平均23.6+/-1.16岁）参加了本研究。任务是想象写一个汉字。具体来说，受试者可以想象手的动作后，在中国字符的书写笔画的顺序。这种模式的目的是为大多数中国人找到一个有效的和熟悉的动作，为他们提供一个具体的，广泛练习的任务，并帮助他们调节大脑活动。结果表明，写作任务范式的成绩显著优于传统的箭头范式（p<0.001）。问卷调查结果表明，大多数受试者认为新的范式更容易和更舒适。提出的新的运动想象范式可以指导被试有效地调节大脑活动。实验结果表明，新范式在分类准确率和可用性方面都有显著的提高。
2016-09-30 cs.HC q-bio.NC
MIndGrasp: A New Training and Testing Framework for Motor Imagery Based 3-Dimensional Assistive Robotic Control
随着全球年龄和残疾的增长，辅助机器人变得越来越必要，并且脑机接口（BCI）经常被提议作为理解需要帮助的残疾人的意图的解决方案。大多数基于脑电图（EEG）的运动想象（MI）BCI控制框架依赖于笛卡尔空间中机器人的直接控制。然而，对于三维运动，这需要6个运动想象类，即使对于更有经验的BCI用户来说，这也是一个困难的区分。在本文中，我们提出了一个模拟的训练和测试框架，减少了运动想象类的数量为4，同时仍然抓住三维空间中的物体。这是通过机器人手臂的半自主手眼视觉控制来实现的，而用户控制的BCI实现向左和向右的移动，以及朝向和远离感兴趣对象的移动。此外，该框架包括直接在辅助机器人系统上训练BCI的方法，该方法应该比使用诸如Graz-BCI的标准训练协议更容易转移到真实世界的辅助机器人。呈现的结果不考虑真实的人类EEG数据，而是显示为与未来的人类数据和系统上的其他改进进行比较的基线。
2020-03-01 cs.HC
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
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
A Multimodal fNIRS-EEG Dataset for Unilateral Limb Motor Imagery
Beijing Jiaotong University（北京交通大学）；Nanyang Technological University（南洋理工大学）；Simon Fraser University（西蒙菲莎大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本文提出MIND数据集，用于单侧肢体多方向运动想象，通过融合fNIRS和EEG数据提升BCI分类性能。
2026-02-04 cs.HC
Evaluation of Motor Imagery-Based BCI methods in neurorehabilitation of Parkinson's Disease patients
该研究报告了帕金森病（PD）患者操作基于运动图像的脑机接口（MI-BCI）的性能，并比较了三种选定的预处理和分类方法。该实验在7名PD患者身上进行，他们总共进行了14次针对下肢的MI-BCI会话。在每个会话的初始校准阶段记录EEG，并使用频谱加权公共空间模式（SpecCSP）、源功率调制（SNODE）和滤波器组公共空间模式（FBCSP）方法产生特定的BCI模型。结果表明，FBCSP在准确性方面优于SSCP，在假阳性率方面优于SSCP和SpecCSP。该研究还表明，PD患者能够操作MI-BCI，尽管准确性较低。
2020-10-30 cs.HC
EEG-based AI-BCI Wheelchair Advancement: Transformer-Based Learning with Motor Imagery for Brain Computer Interface
Department of Computer Science and Engineering, Kathmandu University（加德满都大学计算机科学与工程系）；Department of Electronics and Communication Engineering, Nepal Engineering College, Pokhara University（博卡拉大学尼泊尔工程学院电子与通信工程系）；Department of Applied Sciences and Chemical Engineering, Institute of Engineering, Pulchowk Campus, Tribhuvan University（特里布万大学工程学院普尔乔克校区应用科学与化学工程系）
本文提出一种结合运动想象左右手运动机制的AI集成方法，利用EEG数据模拟轮椅导航，采用CNN-Transformer混合模型实现高准确率的EEG分类。
2026-07-17 cs.AI cs.HC cs.LG
Motor Imagery Classification Emphasizing Corresponding Frequency Domain Method based on Deep Learning Framework
脑电图是一种基于非侵入性的脑信号，具有用户意图相关的特征，在用户和计算机之间提供了一个有效的双向通道。在这项工作中，我们提出了一个深度学习框架的基础上相应的频率empahsize方法来解码运动想象（MI）数据从2020年国际脑机接口比赛数据集。MI数据集由3个类别组成，即“球面”、“球面”和“Lumbrical”。我们利用功率谱密度作为一种强调方法和一个卷积神经网络分类修改MI数据。实验结果表明，在MI任务中，与MI相关的频率范围被激活，为设计所提出的方法提供了神经生理学依据。当使用所提出的方法时，在会话内条件下的平均分类性能为69.68%，在会话间条件下的平均分类性能为52.76%。我们的研究结果提供了一个基于BCI的设备控制系统的实际应用的可能性。
2020-12-07 cs.HC
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
High Aptitude Motor Imagery BCI Users Have Better Visuospatial Memory
脑机接口（BCI）将来自大脑的电生理信号解码成由计算机或机器人设备执行的动作。运动想象脑机接口（MI BCI）依赖于用户对身体运动的想象，但并非所有用户都能产生控制MI BCI所需的大脑活动。新手用户之间MI BCI性能的这种差异可能是由于他们的认知能力。在这项研究中，空间能力和视觉空间记忆对MI BCI性能的影响进行了研究。五十四名新手用户参加了MI BCI任务和两个认知测试。在三个反馈会话中测量空间能力和视觉空间记忆对BCI任务出错率的影响。我们的研究结果表明，空间能力，评估的心理旋转测试，与MI BCI性能无关，但视觉空间记忆，评估的设计组织测试，在高能力用户。我们的研究结果可以通过参与者筛选和认知技能训练来优化MI BCI训练模式。
2020-10-05 cs.HC
End-to-End Deep Transfer Learning for Calibration-free Motor Imagery Brain Computer Interfaces
Tilburg University（蒂尔堡大学）
针对运动想象脑机接口需大量校准数据、准确率低的问题，本研究基于原始EEG信号采用端到端深度迁移学习构建无需校准的分类器，对比三种模型发现EEGNet表现最优，但仍未达70%的有效控制阈值。
2023-07-24 cs.AI cs.HC
Front-end Replication Dynamic Window (FRDW) for Online Motor Imagery Classification
针对在线运动想象解码的速度与精度需求，提出前端复制动态窗口算法，兼顾分类速度与准确率，可用于数据增强，显著提升信息传输率，助力斩获2022年中国BCI竞赛全国冠军。
2024-12-12 cs.HC
MI 2 MI: Training Dyad with Collaborative Brain-Computer Interface and Cooperative Motor Imagery Tasks for Better BCI Performance
本研究利用协同脑机接口设计四分类运动想象任务训练双人组，发现该合作训练能显著提升单一用户的EEG分类准确率与MI性能。
2024-06-01 cs.HC
Electrocorticographic Dynamics Predict Visually Guided Motor Imagery of Grasp Shaping
手抓握成形的预期运动类型和运动相位的识别是意志神经假肢控制的关键特征。我们证明，神经动力学在视觉引导的想象把握塑造可以编码预期的运动。我们应用Procrustes分析和LASSO回归，以达到72%的准确率（机会= 25%），在视觉引导的想象把握轨迹之间的区别。此外，我们可以从试验开始的经过时间的形式预测抓握成形的阶段（R2=0.4）。我们的方法有助于更准确的单次试验解码的更高层次的运动目标和个人的抓取动作的阶段没有受过训练的脑机接口。我们还发现，整体随时间变化的轨迹结构的想象运动往往是一致的个人，和试验内的瞬态轨迹偏差返回到任务依赖的轨迹均值。这些研究结果可能有助于进一步了解人类运动想象的皮层动力学。
2017-02-21 cs.HC q-bio.NC
Would Motor-Imagery based BCI user training benefit from more women experimenters?
基于心理意象的脑机接口（MI-BCI）是一种通过单独执行MI任务来控制数字技术的方法。在整个MI-BCI使用过程中，人类监督（例如，实验者或护理者）起着中心作用。在提供情感和社交反馈的同时，人们向用户呈现BCI，并确保用户顺利使用BCI。尽管如此，人们对实验者可能对所获得的结果产生的影响知之甚少。这种影响是可以预期的，因为社会和情感反馈被证明会影响MI-BCI的表现。此外，来自不同领域的文献表明实验者的效果，特别是他们的性别，实验结果。我们评估了实验者和参与者性别之间的互动对整个会议期间MI-BCI性能和进展的影响。我们的研究结果揭示了参与者性别，实验者性别和进展之间的相互作用。这似乎表明，与男性实验者相比，女性实验者可能会积极影响参与者的进步。
2019-05-14 cs.HC
Spatial-Temporal Mamba Network for EEG-based Motor Imagery Classification
针对EEG运动想象分类中现有模型在泛化、上下文和可扩展性上的不足，提出基于Mamba状态空间架构的时空Mamba网络（STMambaNet），结合空间与时间编码器，在BCI竞赛IV 2a和2b数据集上超越现有模型。
2024-09-19 cs.HC
Bayesian model of individual learning to control a motor imagery BCI
针对现有无模型方法无法精准刻画BCI训练个体学习轨迹的问题，本研究提出主动推理框架下基于模型的贝叶斯方法，将BCI训练建模为高不确定推理问题，可匹配实验结果并解释个体差异，为优化BCI训练提供支撑。
2024-10-08 cs.HC
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
EEG motor imagery decoding: A framework for comparative analysis with channel attention mechanisms
Institute of Signal Processing and System Theory, University of Stuttgart（斯图加特大学信号处理与系统理论研究所）；Fraunhofer Institute for Manufacturing Engineering and Automation IPA（弗劳恩霍夫制造工程与自动化研究所IPA）；Charité - Universitätsmedizin Berlin（柏林夏里特医学院）
本文提出一个轻量级脑电运动想象解码框架，系统比较多种通道注意力机制在相同条件下的效果，并在四个数据集上验证其性能提升、低计算复杂度和跨数据集泛化能力。
2024-02-21 cs.AI cs.HC cs.LG
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 Low Cost Eeg Based Bci Prosthetic Using Motor Imagery
脑机接口（BCI）提供了使用脑脑电图（EEG）信号来控制外部设备的机会。在本文中，我们提出了两个软件框架，以控制一个5自由度的机器人和假肢手。结果呈现在与嵌入式软件系统（即开源Arduino板）相结合的Actutiv认知套件（即第一框架）能够通过与套件的教导动作相关联的字符输入来控制手。该系统提供了证据的可行性大脑信号是一个可行的方法来控制所选择的假肢。然后在第二个框架中介绍结果。后者允许用于运动想象任务的EEG信号的训练和分类。在分析系统时，使用混淆矩阵、精度测量和表示信号强度的反馈条，在结果中呈现性能和精度的清晰视觉表示。各种采集数据集进行了实验，并给出了结果的关键评价。最后，根据大脑信号的分类，Python脚本将驱动命令输出到Arduino以控制假肢。所提出的架构进行经济方便的BCI和假体的设计和实施的整体良好的效果。
2016-03-09 cs.HC
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
BCI-Based Strategies on Stroke Rehabilitation with Avatar and FES Feedback
中风是世界范围内严重和长期残疾的主要原因。有研究表明，基于运动想象（MI）的脑机接口（BCI）在脑卒中后康复中具有积极的作用。它可以帮助患者促进受损大脑区域的重组过程。然而，离线运动想象和传统的在线运动想象与反馈（如奖励的声音和化身的运动）不能反映患者的真实意图。在这项研究中，虚拟肢体和功能性电刺激（FES）作为反馈，为患者提供一个闭环的感觉运动整合的运动康复。如果用户正在想象指示侧的手部运动，则FES系统将激活。10例脑卒中患者（7例男性，年龄22-70岁，平均49.5 ± 15.1岁）参与本研究。所有患者均接受为期4周的BCI-FES康复训练，最后一周10例患者的平均运动想象准确率为71.3%，较第一周提高了3%。5例患者的Fugl-Meyer评估（FMA）评分提高。患者6患有中风超过两年，在康复训练后取得了最大的改善（FMA前：20，FMA后：35）。在脑电模式方面，5例脑卒中患者的活动模式逐渐集中并向感觉运动区（通道C3和C4）和运动前区（通道FC 3和FC 4）转移。结果表明，BCI-FES系统对脑卒中患者上肢运动功能的恢复是有效的。在未来的工作中，需要更多的病例来证明其优于常规治疗，并探讨MI在卒中后康复中的潜在作用。
2018-05-14 cs.HC
Can EEG resting state data benefit data-driven approaches for motor-imagery decoding?
Ahmedabad International School（艾哈迈达巴德国际学校）；IIT Gandhinagar（甘地讷格尔印度理工学院）
本研究提出一种整合静息态EEG功能连接性度量与EEGNet的特征拼接方法以提升运动想象BCI泛化能力，但实验表明该方法仅在用户内场景小幅提升准确率，对跨用户场景无益。
2024-10-28 cs.HC cs.LG eess.SP
A Novel Framework for Visual Motion Imagery Classification Using 3D Virtual BCI Platform
本研究利用3D脑机接口（BCI）训练平台刺激被试进行视觉运动表象和视知觉训练。我们测量了被试在感知和想象刺激时的脑区激活和α-波段功率活动。在此基础上，分别在视觉刺激和视觉运动表象两个阶段将其分为4类。结果表明，枕区参与视知觉和视觉运动表象，在视觉运动表象时，枕区α波功率增加，在视觉运动刺激时，枕区α波功率降低。与视觉运动表象和运动表象的成绩相比，视觉运动表象的成绩显著高于运动表象。使用一个相对于休息的方法以及大脑激活的分析来证明视觉相关的脑电波信号是有意义的，并且结果是显著的。
2020-02-04 cs.HC q-bio.NC
Transfer Learning between Motor Imagery Datasets using Deep Learning -- Validation of Framework and Comparison of Datasets
Donders Institute for Brain, Cognition and Behaviour（唐德斯脑、认知与行为研究所）；Radboud University（拉德堡德大学）
本文提出一个简单的深度学习框架，在12个运动想象数据集上验证跨数据集迁移学习的有效性，并系统比较了各数据集作为供体或受体的适用性，为BCI预训练和基准选择提供参考。
2023-09-04 cs.AI cs.CV cs.HC
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
LGL-BCI: A Motor-Imagery-Based Brain-Computer Interface with Geometric Learning
本研究提出LGL-BCI，一种基于几何深度学习的轻量级运动想象脑机接口，通过通道选择和特征分解实现快速推理，在准确率（82.54% vs 62.22%）和参数效率（64.9K vs 183.7K）上均优于现有方法。
2025-02-25 cs.HC
Motor Imagery Classification for Asynchronous EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology（华中科技大学）；Shenzhen Huazhong University of Science and Technology Research Institute（华中科技大学深圳研究院）
针对异步脑机接口无触发信号下需先区分静息态与运动想象再分类的难题，提出含预筛选和分类双模块、经监督加自监督学习训练的SWPC方法，在四个EEG数据集上准确率均超现有最优基线约2%。
2024-12-12 cs.HC cs.LG
Federated Motor Imagery Classification for Privacy-Preserving Brain-Computer Interfaces
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；Shenzhen Huazhong University of Science and Technology Research Institute（华中科技大学深圳研究院）；School of Civil and Hydraulic Engineering, Huazhong University of Science and Technology（华中科技大学土木与水利工程学院）
针对EEG脑机接口中多用户数据隐私与运动想象分类精度难以兼顾的问题，提出FedBS联邦学习方法，通过局部批次特定批归一化和SAM优化提升泛化，实验性能超越六种联邦方法及集中式训练。
2024-12-02 cs.HC cs.LG
Enhancing Computational Efficiency of Motor Imagery BCI Classification with Block-Toeplitz Augmented Covariance Matrices and Siegel Metric
INRIA（法国国家信息与自动化研究所）
本文提出利用块Toeplitz增广协方差矩阵的数学结构并结合Siegel度量，在保持与ACM相似分类性能的同时显著提升运动想象BCI的计算效率，使其更适用于实时实验。
2024-06-05 cs.AI cs.HC cs.LG
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
Boosted Convolutional Neural Networks for Motor Imagery EEG Decoding with Multiwavelet-based Time-Frequency Conditional Granger Causality Analysis
Beihang University（北京航空航天大学）；The University of Sheffield（谢菲尔德大学）
由于感知决策过程的非平稳性，对不同心理状态的脑电信号进行解码是脑机接口的一项挑战性任务。提出了一种基于多小波时频因果分析的运动想象脑电信号增强型卷积神经网络（ConvNets）解码方法。首先将多小波基函数与Geweke谱测度相结合，得到高分辨率的TF-条件Granger因果关系（CGC）表示，并采用正则化正交前向回归（ROFR）算法检测具有良好泛化性能的简约模型.基于α波段多通道脑电信号的TF-CGC分布，设计了保留时间、频率和连通性位置信息的网络输入因果图。通过使用时空卷积以及深度学习的进步，包括裁剪和提升方法，进一步构建了提升的ConvNets，以提取判别因果关系特征并对MI任务进行分类。我们提出的方法优于竞争优胜者算法的平均准确性增加了12.15%，相关的受试者间标准差减少了74.02%，对于BCI竞争-IV测试-IIa的相同的二进制分类。实验结果表明，基于因果关系图像的增强型ConvNets能够很好地解码MI-EEG信号，为开发MI-BCI系统提供了一个很有前途的框架。
2018-10-22 cs.CV cs.HC
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
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
A Hybrid Gaze-Motor Imagery BCI Framework for Effective Decision Communication
IIT Gandhinagar（印度理工学院甘地纳加尔分校）；Ulster University（阿尔斯特大学）
提出一种结合眼动追踪与运动想象的异步混合BCI范式，通过视觉注视增强神经稳定性，实现高精度、鲁棒的多命令决策通信。
2026-09-18 cs.AI cs.ET cs.HC
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
Calibration-free online test-time adaptation for electroencephalography motor imagery decoding
University of Stuttgart（斯图加特大学）
本文提出无校准的在线测试时自适应（OTTA）方法，通过轻量级架构结合对齐、自适应批归一化和熵最小化技术，解决脑电运动想象解码中会话与受试者间的分布偏移问题，实现隐私保护下的最先进在线自适应效果。
2024-01-08 cs.AI cs.HC cs.LG
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
3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention
Zhejiang University of Technology（浙江工业大学）；Shanghai Jiao Tong University（上海交通大学）
针对运动想象脑电解码准确率不足的问题，提出融合3D-CNN与带注意力LSTM的3D-CLMI模型，在公开数据集上取得92.7%准确率，优于现有方法。
2023-12-20 cs.HC cs.LG eess.SP
EEG-TCNet: An Accurate Temporal Convolutional Network for Embedded Motor-Imagery Brain-Machine Interfaces
ETH Zürich（苏黎世联邦理工学院）；Nihon University（日本大学）；Huawei Technologies（华为技术有限公司）
近年来，深度学习（DL）对基于脑电图（EEG）的运动想象脑机接口（MI-BMIs）的改进做出了重大贡献。在实现高分类精度的同时，DL模型的大小也在增长，需要大量的内存和计算资源。这对嵌入式BMI解决方案提出了重大挑战，该解决方案通过本地处理数据来保证用户隐私，减少延迟和低功耗。在本文中，我们提出了EEG-TCNet，这是一种新型的时间卷积网络（TCN），在需要很少的可训练参数的情况下实现了出色的精度。它的低内存占用和低推理计算复杂度使其适用于边缘资源有限设备上的嵌入式分类。在BCI Competition IV-2a数据集上的实验结果表明，EEG-TCNet在4类MI中达到了77.35%的分类准确率。通过找到每个主题的最佳网络超参数，我们进一步将准确率提高到83.84%。最后，我们展示了EEG-TCNet的多功能性的母亲所有BCI基准（MOABB），一个大规模的测试基准包含12个不同的EEG数据集与MI实验。结果表明，EEG-TCNet成功地推广了一个单一的数据集，超过了MOABB的当前最先进的（SoA），元效应为0.25。
2020-05-31 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
Towards identifying optimal biased feedback for various user states and traits in motor imagery BCI
Objective.神经自我调节是实现对脑机接口（BCI）控制所必需的。这可能是一个艰苦的学习过程，特别是对于运动想象BCI。提出了各种训练方法来帮助用户完成BCI控制并提高性能。值得注意的是使用有偏见的反馈，即表现的非现实表现。对性能和学习的有偏见的反馈的好处在用户之间是不同的（例如，取决于他们的BCI控制的初始水平），并且仍然是推测性的。为了解开的猜测，我们调查什么样的人格类型，初始状态和校准性能（CP）可以受益于有偏见的反馈。方法.我们进行了一项实验（n=30，共2次）。提供给每组（n=10）的反馈是正面的、负面的或无偏见的。结果统计分析表明，偏见和：1）工作量，2）焦虑和3）自我控制之间的相互作用显着影响在线性能。例如，低初始工作量与负偏差配对与更高的峰值性能（86%）相关联，而没有任何偏差（69%）。无论偏见如何，高焦虑与表现呈负相关（60%），而低焦虑与负偏见最匹配（76%）。对于低CP，学习率（LR）仅在短期内（LR=2%）随着负偏置而增加，因为在第二会话期间其严重下降（LR=-1%）。结论我们揭示了上述人为因素和偏见之间的许多相互作用。此外，我们使用预测模型来确认和揭示更多的相互作用。意义本文是第一步确定最佳的有偏反馈的个性类型，状态和CP，以最大限度地提高BCI的性能和学习。
2021-12-23 cs.HC
Characterizing the onset and offset of motor imagery during passive arm movements induced by an upper-body exoskeleton
Chandra Department of Electrical and Computer Engineering, The University of Texas at Austin（查拉德电气与计算机工程系，德克萨斯大学奥斯汀分校）；Department of Neurology, The University of Texas at Austin（神经病学系，德克萨斯大学奥斯汀分校）；Walker Department of Mechanical Engineering, The University of Texas at Austin（沃克机械工程系，德克萨斯大学奥斯汀分校）
本研究通过解码EEG信号，表征被动手臂运动期间的运动意象起始和结束，实现了对功能性运动的自然控制，展示了在噪声和被动运动下可靠的传感器运动节律。
2026-03-21 cs.AI cs.HC cs.RO
AGTCNet: A Graph-Temporal Approach for Principled Motor Imagery EEG Classification
De La Salle University - Manila（德拉萨大学马尼拉校区）；Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
本文提出AGTCNet，一种结合电极拓扑先验与图卷积注意力网络的运动想象脑电分类模型，以更小模型和更快推理在多个数据集上取得领先的受试者独立及特定分类准确率。
2025-06-26 cs.HC cs.LG
DRDCAE-STGNN: An End-to-End Discrimina-tive Autoencoder with Spatio-Temporal Graph Learning for Motor Imagery Classification
本文提出端到端DRDCAE-STGNN框架，结合判别式自编码器与时空图学习，在三个数据集上分别取得95.42%、97.51%和90.15%的准确率，实现稳健、可解释且满足实时需求的运动想象分类。
2025-09-07 cs.HC
BDAN: Mitigating Temporal Difference Across Electrodes in Cross-Subject Motor Imagery Classification via Generative Bridging Domain
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Liverpool（利物浦大学）；Brunel University London（伦敦布鲁内尔大学）
针对跨被试运动想象分类中电极间时间差异导致的分布偏移问题，提出带生成式桥接域的BDAN网络，通过空间特征提取、桥接域构建与定制损失实现知识迁移，在公开EEG数据集上性能优于现有先进方法。
2024-04-16 cs.HC cs.LG
Gamification of Motor Imagery Brain-Computer Interface Training Protocols: a systematic review
本文系统综述了过去十年86项游戏化运动想象脑机接口训练研究，发现反馈、虚拟化身、辅助和社交互动四个游戏元素能有效提升用户控制性能与体验，并提出虚拟现实和自适应难度等未来建议。
2024-10-22 cs.HC
Motor-Imagery-Based Brain Computer Interface using Signal Derivation and Aggregation Functions
Universidad Publica de Navarra（纳瓦拉公立大学）；Hospital Complex of Navarre (CHN)（纳瓦拉医院综合体）；University of Technology Sydney（悉尼科技大学）；Australian AI Institute（澳大利亚人工智能研究所）
脑机接口技术是人脑与外部设备之间通信的流行方法。BCI最流行的方法之一是运动想象。在脑机接口的应用中，脑电描记术是一种非常流行的脑动力学测量，因为它的非侵入性的性质。虽然有一个在脑机接口主题的高度兴趣，现有的系统的性能仍然是远远不够理想，由于在EEG信号中执行模式识别任务的难度。BCI系统由执行信号预处理、特征提取和决策制定的各种组件组成。在本文中，我们定义了一个BCI框架，命名为增强融合框架，我们提出了三个不同的想法，以改善现有的基于MI的BCI框架。首先，我们包括一个额外的预处理步骤的信号：微分的EEG信号，使其时不变。其次，我们增加了一个额外的频带作为系统的功能，我们展示了它对系统性能的影响。最后，对系统中的最终决策问题进行了深入的研究。我们建议使用多达六种类型的不同分类器和广泛的聚合函数（包括经典聚合，Choquet和Sugeno积分及其扩展和重叠函数）来融合所考虑的分类器所提供的信息。我们已经测试了这个新系统的数据集上进行运动图像为基础的脑机接口实验的20名志愿者。在这个数据集上，新系统实现了88.80%的准确率。我们还提出了一个优化版本的系统，能够获得高达90，76%。此外，我们发现，对Choquet/Sugeno积分和重叠功能是提供最好的结果。
2021-06-02 cs.AI cs.HC cs.SY
Performance of OpenBCI EEG Binary Intent Classification with Laryngeal Imagery
近几十年来，神经科学的最大目标之一就是帮助那些身心之间不再有功能性关系的人康复。虽然神经科学已经产生了技术，使瘫痪患者的大脑完成任务，如拼写单词或控制电动轮椅，这些技术利用大脑的部分可能不是最佳的同时使用。例如，如果你需要看着闪烁的灯光来拼写交流的单词，那么很难同时看到你正在移动的地方。为了改善这个问题，本研究开发并测试了语音假体范例的基础，该范例将利用人脑语音系统的先天神经生理学。在这个实验中，两名参与者被要求通过三种不同类型的基于EEG的BCI来回答是或否的问题;基于SSVEP的，基于运动图像的和基于喉图像的。通过比较两个已建立的BCI范式与新的喉意象范式的准确性，我们可以建立新的范式的相对有效性。利用机器学习算法对转换到频率空间（频谱图）和公共空间模式（CSP）维度的脑电信号进行分类。SSVEP控制任务的分类准确率（62.5%）高于无信息率（50%），而运动/想象和喉部活动/想象控制任务的分类准确率则低于无信息率。虽然喉部方法没有产生高于无信息率的准确度，但有可能使用更大量的更高质量的数据，这可以证明不是这样。今后，类似的研究应侧重于以更好的质量和更多的数据再现这里使用的方法。
2021-06-30 cs.HC
Classification of Motor Imagery EEG Signals by Using a Divergence Based Convolutional Neural Network
Istanbul Technical University（伊斯坦布尔理工大学）
深度神经网络（DNN）被观察到在模式分类中是成功的。然而，DNN的高分类性能与其大的训练集有关。不幸的是，在文献中，用于分类运动想象（MI）脑电图（EEG）信号的数据集包含少量样本。为了在小规模数据集上实现高性能，大多数研究都在分类过程之前采用了公共空间模式（CSP）等转换。然而，CSP依赖于主题，并在实时应用中引入计算负载。在文献中观察到，增强过程不适用于增加EEG信号的分类性能。在这项研究中，我们研究了增强过程对MI EEG信号的分类性能的影响，而不是使用前面的变换，如CSP，我们已经证明，通过导致MI EEG分类的高成功率，增强过程能够与CSP竞争。除了增强过程之外，我们还修改了DNN结构以提高分类性能，减少结构中的节点数量，并使用更少的超参数。最后一层卷积神经网络（CNN）之后的最小距离网络（MDN）被用作分类器，而不是完全连接的神经网络（FCNN）。通过扩充EEG数据集并仅关注CNN的训练，所提出的结构的训练算法在不应用任何变换的情况下得到加强。我们测试了这些改进脑机接口（BCI）的比赛2005年和2008年的数据库与两个和四个类，和增强的平均性能的高影响被证明。
2021-03-19 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
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification
Virginia Polytechnic Institute and State University（弗吉尼亚理工大学）；Handong Global University（韩东国际大学）
基于脑电的运动想象分类是脑-机接口研究中的一个重要的非侵入性应用。本文提出了一种新的卷积神经网络（CNN）架构，用于准确和鲁棒的基于EEG的MI分类，其性能优于最先进的方法。所提出的CNN模型，即EEG-Inception，建立在Inception-Time网络的基础上，该网络对于时间序列分类具有高效和准确性。此外，所提出的网络是一个端到端的分类，因为它采取的原始EEG信号作为输入，不需要复杂的EEG信号预处理。此外，本文提出了一种新的EEG信号的数据增强方法，以提高准确性，至少3%，并减少有限的BCI数据集的过拟合。所提出的模型优于所有国家的最先进的方法，实现了88.4%和88.6%的平均准确率在2008年BCI竞赛IV 2a（四类）和2b数据集（二进制类），分别。此外，测试适合实时处理的样品所需时间不到0.025秒。此外，9个不同主题的分类标准差达到了最低值，2b数据集为5.5，2a数据集为7.1，这验证了所提出的方法是高度鲁棒的。从实验结果可以推断，EEG-Inception网络表现出很强的潜力，作为一个主体独立的分类器，基于EEG的MI任务。
2021-03-08 cs.HC cs.LG eess.IV
CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet
University of Padova（帕多瓦大学）；National Centre for Neurology and Psychiatry（国家神经与精神病学中心）；National Inter-University Consortium for Telecommunications (CNIT)（全国大学间电信联盟（CNIT））；University of Coimbra（科英布拉大学）；Polytechnic Institute of Tomar（托马尔理工学院）
基于运动想象（MI）的脑机接口（BCI）系统正越来越多地用于为患有神经运动损伤的人提供替代的通信和控制手段，特别努力将这些系统带出受控的实验室环境。因此，准确地从脑信号分类MI，例如，从脑电图（EEG），是必不可少的，以获得可靠的BCI系统。然而，MI分类仍然是一项具有挑战性的任务，因为信号的特征在于低信噪比，高的受试者内和跨受试者的变异性。深度学习方法已经开始成为标准机器学习技术的有效替代方案，例如，滤波器组公共空间模式（FBCSP），以提取主体无关的功能，并提高跨学科分类性能的MI BCI系统。在本文中，我们首先回顾了使用深度学习进行MI分类的最新研究，特别关注它们的跨学科性能。其次，我们提出了DynamicNet，这是一个基于Python的工具，用于快速灵活地实现基于卷积神经网络的深度学习模型。我们展示了动态网络的潜力，通过实施EEGNet，一个行之有效的架构，有效的EEG分类。最后，我们比较了它的性能与FBCSP在4类MI分类在公共数据集。为了探索其跨学科的分类能力，我们采用了三种不同的交叉验证方案。从我们的研究结果，我们表明，DynamicNet实现的EEGNet优于FBCSP约25%，具有统计学显着差异时，应用跨学科验证方案。
2021-05-17 cs.CV cs.HC cs.LG
