针对机器学习方法在对脑电特征进行分类时无法同时兼顾脑电信号的时-空域特征的问题,利用添加注意力机制的卷积神经网络提取空间特征和双向门控循环单元提取时间特征,提出一种基于特征融合的运动想象(Motor Imagery,MI)脑电分类算法(Attention-EEGNet-BiGRU,AEBGNet),AEBGNet可将时、空域两类特征相融合,得到更具表征性的时-空域特征,最终构建的AEBGNet分类模型在BCI competition IV 2b数据集上取得80.37%的平均正确率,比标准的EEGNet方法提高6.09%.结果表明,本文方法可以有效提高MI脑电信号的分类正确率,为MI脑电信号的分类提供新的思路.

目的:观察基于运动想象的脑机接口(BCI)训练对缺血性脑卒中患者上肢运动功能恢复的影响，并分析患者运动诱发电位(MEP)潜伏期、中枢运动传导时间(CMCT)与上肢运动功能间的相关性。方法:采用随机数字表法将46例缺血性脑卒中伴上肢运动功能障碍患者分为脑机组及对照组，每组23例。2组患者均给予常规康复干预，脑机组在此基础上给予基于运动想象训练的脑机接口治疗，对照组则辅以腕指被动屈伸训练。于治疗前、治疗4周后分别采用上肢Fugl-Meyer运动功能量表(FMA-UE)、功能独立性量表(FIM)及上肢动作研究量表(ARAT)对2组患者肢体功能进行评定；同时检测2组患者MEP潜伏期及CMCT，并对患者上肢功能评分与MEP、CMCT进行相关性分析。结果:治疗前脑机组、对照组患者FMA-UE、FIM、ARAT评分、MEP潜伏期及CMCT组间差异均无统计学意义( P>0.05)；治疗后2组患者FMA-UE评分[分别为(41.22±13.09)分和(32.23±15.49)分]、FIM评分[分别为(82.96±13.58)分和(73.32±18.56)分]、ARAT评分[分别为32.00(20.00，41.00)分和21.00(3.00，38.25)分]、MEP潜伏期[分别为(22.84±0.88)ms和(23.61±1.32)ms]及CMCT[分别为(10.26±1.09)ms和(11.26±1.49)ms]均较治疗前明显改善，并且脑机组上述指标改善情况亦显著优于对照组水平( P<0.05)；另外本研究还发现患者FMA-UE、FIM及ARAT评分与CMCT及MEP潜伏期具有负相关性。 结论:基于运动想象的BCI训练可显著改善缺血性脑卒中患者MEP潜伏期、CMCT值及上肢运动功能，并且FMA-UE、FIM及ARAT评分与MEP潜伏期、CMCT值具有负相关性。

目的:针对目标用户的脑电识别问题，提出了基于共同空间模式（CSP）与迁移学习的脑电识别方法。方法:首先对脑电数据进行预处理，选择事件相关去同步（ERD）现象存在明显差异的时间窗0.5～2.5 s及包含α和β波的宽频带8～30 Hz脑电，然后对多用户利用CSP分别提取特征得到特征向量，最后利用迁移学习进行目标用户的脑电识别。结果:用户aa在Cz通道处想象右手的ERD高于想象双脚的ERD。用户aa、al、av、aw、ay的分类正确率分别为93.8%、100.0%、84.2%、94.6%、94.4%，平均分类正确率为92.4%，优于常用分类器SVM和期望最大化EM，仅比竞赛第一名清华大学所采用的方法低1.8%。结论:基于CSP与迁移学习的脑电识别方法能够利用非目标用户提高目标用户的脑电识别性能，对运动想象脑-机接口系统的研究具有重要意义。

脑机接口（BCI）是脑部与外部设备互联的渠道，其经过发展已经成为了一个较为成熟的技术体系。现阶段BCI已经发展成为了3大模式：侵入式、半侵入式和非侵入式。而根据现阶段不同的测量脑功能技术，形成了基于不同神经影像学技术的各有优缺点的BCI，如：基于脑电图、皮层脑电图、功能性核磁共振或功能性近红外光谱等的BCI，而其中基于脑电图的BCI根据电位类型又可以细分为：基于事件相关电位-P300、运动想象、稳态视觉诱发电位、慢皮层电位的BCI。通过对现有不同BCI范式进行分析介绍，此后又分别探讨了BCI在信号融合、新型信号、采集方式和采集设备的研发与在脑功能改变和新兴技术结合应用等领域未来的发展方向。

运动想象及基于此开发的脑机接口技术已尝试运用于因脊髓损伤、脑卒中、多发性硬化等神经系统疾病所导致的语言交流及运动障碍患者中，并取得了较好的临床效果。目前的研究结果显示，脑机接口技术可以使脑卒中患者脑功能激活，脑电信号频率增强、持续时间延长且更加稳定；影像学结果表明，脑机接口技术可以使脑卒中患者双侧脑半球间及患侧脑半球内功能连接显著增加。文中就基于运动想象的脑机接口技术对于脑卒中患者脑功能的激活及神经网络的重塑进行综述，归纳总结该技术相关的机制研究进展，为该技术在临床及未来科研中的运用提供借鉴和参考。

运动想象脑机接口(MI-BCI)技术通过识别运动想象产生的脑电信号来判断其运动意图,进而实现人脑与外部设备之间的通信与控制.MI-BCI技术在脑卒中后患者的运动功能康复应用中取得肯定疗效,对中、重度肢体运动功能障碍患者的康复也具有很大潜力.本研究总结了国内外MI-BCI技术在脑卒中后运动功能康复中的应用现状(MI-BCI技术的神经调控机制、临床康复应用及存在的问题和可能的解决途径3个方面),以期为MI-BCI技术的临床应用和相关设备研发提供理论支持.MI-BCI技术的神经调控机制主要包括"中枢-外周-中枢"闭环理论["中枢-外周"自上而下的中枢刺激模式(运动想象)与"外周-中枢"自下而上的感觉运动反馈(外置设备带动肢体运动)模式]、神经反馈和赫布理论;临床康复应用主要集中在脑卒中后上肢/下肢运动功能康复、大脑功能网络变化等方面.但MI-BCI技术在临床康复应用中仍存在表现力不佳、治疗剂量不明确、采集信号质量亟待提高、运动想象模式的类别较少和训练周期长等问题.下一步仍需开展MI-BCI技术联合其他中枢神经干预方式相关研究,增加运动想象模式类别等方式以改善MI-BCI技术的康复效果,并开发适用于各个时期脑卒中患者MI-BCI技术训练方案,为中枢神经系统疾病患者的肢体运动康复提供参考.

脑机接口(BCI)技术是一种不依赖人体外周神经传输通路和肌肉组织,在人脑与外界机器之间建立联系的新型人机交互技术.BCI系统包括主动式、反应式和被动式3大类,其中运动想象脑机接口(MI-BCI)是最常见的主动式BCI系统.MI-BCI通过大脑想象运动的方式来控制外部设备,无需实际进行运动.为了带给患者更多沉浸感,引入增强现实(AR)技术可增加患者的兴趣,提高康复训练专注度.本研究从BCI技术概述、MI-BCI技术在神经系统疾病康复中的应用及其存在的不足和展望等方面进行阐述,以期为MI-BCI技术在神经系统疾病的诊断和康复中的应用提供参考.其中,BCI技术概述主要介绍了BCI技术、MI-BCI技术和AR-MI-BCI康复训练系统(AR-MI-BCI康复训练系统流程和系统整体架构).MI-BCI系统在脑卒中、毒品成瘾戒毒和抑郁症等神经系统疾病方面有诸多应用,既能有效辅助神经系统疾病诊断,又可以激活特定脑区,促进脑功能康复.MI-BCI系统通过识别脑卒中患者的运动想象意图,指导患者主动想象肢体动作,有助于实现患者主动康复.为解决传统机器学习算法对脑卒中患者通用性差的问题,将迁移学习技术作为基础搭建MI-BCI康复训练系统.基于AR-MI-BCI的康复训练系统可以辅助吸毒人员减轻毒品成瘾性,减少因吸食毒品导致的难以戒断的精神依赖和身体依赖问题,使吸毒人员在毒品与抵抗情绪之间产生联系.基于MI-BCI技术多频脑网络的脑电识别方案可以辅助诊断抑郁症,但MI-BCI技术在技术成熟度、设备成本、患者隐私和临床应用等方面还有一些不足之处.

模式识别是脑机接口系统的核心部分,使用不同的机器学习算法进行特征提取和模式识别会直接影响脑机接口系统的性能.本文在阐述运动想象脑机接口的组成方式、控制原理和实验模式基础上,重点论述线性判别分析、支持向量机、卷积神经网络、循环神经网络等一些机器学习算法在运动想象脑机接口领域的应用进展,并分析了上述几种机器学习算法在运动想象脑机接口应用中的评价方法,最后,讨论了机器学习算法应用于运动想象脑机接口领域的应用前景与发展方向.

目的 基于运动想象(motor imagery,MI)的脑机接口(brain computer interface,BCI)一般采用基于单人肢体动作的 MI 任务范式,诱发的事件相关去同步/同步(event-related desychronization/synchronization,ERD/ERS)模式及对应的可辨识思维类别数较为有限,无法满足BCI对外多指令控制.为此,本文在单人肢体动作MI的基础上引入双人肢体协作动作MI,探索双人肢体协作动作MI的脑电(electroencephalograph,EEG)信号的多脑区ERD/ERS特征.方法 采用自回归模型功率谱估计和事件相关谱扰动方法,对被试者执行单人左/右手动作MI、双人左/右手协作动作MI的EEG数据,进行频率-空间-时间特性对比分析与研究.结果 区别于单人左/右手动作MI,双人左/右手协作动作MI的EEG信号在大脑额叶区出现ERD特征,在感觉运动皮质区出现ERD、ERS特征,特征的频带更宽;感觉运动皮质区的ERD特征出现时间较晚、持续时间更长,且ERD、ERS特征的对比度更大.结论 在相同肢体部位的前提下,双人肢体协作动作MI过程有可能增加BCI的思维类别数,且其EEG特征更易辨识.

脑机接口(BCI)是人脑和计算机或其他外部设备之间的直接连接通道,为人脑和外界的信息交互提供了一种全新的方式.BCI系统由信号采集模块、信号处理模块和交互控制模块组成,常见的BCI控制模式包括稳态视觉诱发电位、运动想象节律信号、P300电位以及混合BCI等,信号处理方法主要涉及信号预处理、特征提取和分类识别.BCI可应用于脑控拼写系统、运动控制和图像检索等.在提升信息传输速率、系统的实用化和克服个体差异方面,BCI系统的应用尚面临着挑战.