脑机接口是一种不依赖身体外围的肌肉和神经,直接读取人的脑电信号就能使人控制外围设备的系统。它的出现给不仅残疾人带来了希望,也给社会养老带来了保障。在众多脑机接口系统中,运动想象因其无需外界刺激的特点成为目前脑机接口研究的热点,共空间模式(Common Spatial Pattern,CSP)是目前提取运动想象脑电特征最常用方法,利用的是运动想象的事件相关去同步化(Event-Related Desynchronization,ERD)以及事件相关同步化(Event-Related Synchronization,ERS)现象。但是有研究显示,普通人群中大约存在15%-30%是运动想象“盲”,他们在想象肢体运动的时候没有ERD/ERS现象的出现,所以CSP算法针对这些运动想象“盲”的效果比较差。由于运动想象“盲”的存在,限制了脑机接口的使用人群,容易使人们对脑机接口技术的有效性产生质疑。为了更好的研究运动想象“盲”现象,已有研究把CSP+LDA两分类运动想象脑电信号低于70%的被试定义为运动想象“盲”,发现用静息态脑电谱熵和脑网络属性可以提前筛选运动想象“盲”被试。但这不能从根本上解决该问题,2019年,我们实验室提出了一种基于脑网络特征的算法用于提高运动想象“盲”被试的分类准确率,但是提高的数值有限。在本文中,我们提出用CNN(Convolutional nerual network)去研究这一问题,通过端到端的训练,搭建出一种针对运动想象“盲”的CNN模型。传统的脑电算法研究一般从脑电预处理、特征提取和分类器三方面,大部分研究把每个模块单独研究,然后把它们耦合的一起得到比较好的分类效果,这种方法的优点是可解释性比较好。CNN算法目前已经在机器视觉、自然语言处理等领域取得重大突破,以其强大的特征提取和网络表示能力,开始在运动想象脑电分类开始应用并取得较好的效果。由于卷积神经网的特殊性和灵活性,大部分的研究聚焦到卷积层数、卷积核、激活函数等结构设计组合等方面,对结果的可解释性研究仍然不直观。针对以上情况,我们的研究工作如下:基于实验室发展的运动想象脑-机接口在线系统筛选出9名运动想象“盲”被试,特征提取算法使用CSP,分类算法使用LDA,分类准确率低于70%的被认为是“盲”被试。为了验证算法在非“盲”被试中的性能,我们在实验中同时纳入了6名分类准确率高于70%的非“盲”被试。设计了运动想象实验范式,采集了20名被试的运动想象脑电数据,对实验数据进行了预处理。训练出一种适用于运动想象“盲”被试的CNN模型,进一步探究了脑电信号的采样率和CNN模型中激活函数对运动想象脑电信号分类的影响。结果发现脑电信号采样率在1000Hz,CNN结构中采用线性激活函数时,15名被试的平均分类正确率最高。比较两组被试发现,9名“盲”被试用CNN的平均分类正确率为91.57%相比CSP+LDA的58.22%提高了33.35%,6名非“盲”被试用CNN的平均分类正确率为87.11%相比CSP+LDA的83.38%提高了3.73%。针对以上结果提出了一种CNN中间结果的可视化方法,以解释CNN显著优于经典算法的原因。我们提取CNN中空间滤波器训练后得到的权重,分别与CSP得到的第一个滤波器和第六个滤波器做相关,将CNN权重中相关值最大的的两组权重做地形图,发现CNN提取的脑电特征在空间位置分布和CSP有很大的相似性。又分析了所有被试的功率谱地形图,发现非“盲”被试在8-13Hz频段的左右手功率谱地形图的差异性比运动想象“盲”要大,CSP+LDA识别的是8-13Hz脑电数据,CNN识别的是4-38Hz脑电数据。由此我们得出结论,CNN提取的脑电特征包含了CSP提取的脑电特征,运动想象“盲”的有效脑电特征可能分布在其他频段上。