多尺度特征在脑电信号处理中的应用研究

叶 小金1, 曾 霞1, 许 锡雄1, 黄 仁慧2
1、广州应用科技学院
2、广东金融学院

摘要


脑-机接口（BCI）技术在娱乐操控、军事控制等领域具备关键应用价值，而脑电信号的高效处理与解码是制约其落地的核心瓶颈。针对脑电信号固有的非平稳特性、单变量特征表征能力不足，以及深度学习解码中冗余特征与实时性难以兼顾的痛点，本文提出一种多尺度、多变量整合的处理与解码方案，为BCI技术在娱乐操控、军事控制等场景的应用提供技术支撑。

关键词


脑电信号；噪声辅助多元经验模态分解；多尺度特征构建；三维卷积神经网络

全文:

PDF


参考


[1]王嘉琪.多任务运动想象脑电信号分类方法研究[D].吉林大学,2023.

[2]黄文锲.基于深度学习和全脑EEG多域特征的运动想象分类研究[D].兰州交通大学,2022.

[3]Tao Y, Xu W, Wang G, et al. Decoding Multi-Class EEG Signals of Hand Movement Using Multivariate Empirical Mode Decomposition and Convolutional Neural Network[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering,2022, 30：2754-2763.

[4]NAYAK P, et al.Predicting the tasks of disabled persons using deep learning-based motor imagery model in BCI applications[J]. Research on Biomedical Engineering, 2023, 39:977-989.

[5]陈启明,文青松,郎恂,等.一元及多元信号分解发展历程与展望[J].自动化学报,2024,50(01):1-20.

[6]杨朋辉,杨长青,刘静,等.基于2D-3D卷积神经网络的情绪识别模型[J].燕山大学学报,2025,49(01):66-73.

[7]YE, X. et al. Research on methods for spatial correlation of EEG signals[J]. International Conference on Signal Image Processing and Communication (ICSIPC 2021) (2025).

[8]LI X G, W X J, CHU Y Y. 3D convolutional neural net-work based on spatial-spectral feature pictures learning for decoding motor imagery EEG signal[J]. Frontiers in Neurorobotics, 2024, 18:1485640.


Refbacks

  • 当前没有refback。