基于ECA和三分支卷积融合网络的脑电信号解码研究

摘" 要： 基于运动想象脑电信号的脑机接口系统可以实现大脑和外部设备的交互，能够帮助残疾人控制辅助设备，提高他们的生活质量。然而，有限的脑电信号解码性能限制了脑机接口产业的大规模发展。文中提出一种基于高效通道注意力（ECA）和三分支卷积融合网络的ECA⁃TBCFNet模型用于基于脑电图的运动想象（MI⁃EEG）信号解码。ECA模块可自动捕捉脑电信号中的跨通道交互，三分支卷积融合网络能够多尺度地提取信号中的时空特征。ECA⁃TBCFNet模型在BCI竞赛IV⁃2a数据集上的四分类任务中取得了83.3%的准确率和0.78的kappa系数；此外，在Physionet MI⁃EEG数据集上两分类和四分类任务中，ECA⁃TBCFNet模型的准确率分别为87.87%和69.01%。结果表明，提出的ECA⁃TBCFNet模型可以有效提高运动想象脑电信号的识别准确率，并具有较高的鲁棒性。

关键词： 脑机接口； 脑电图； 运动想象； 高效通道注意力； 三分支卷积神经网络； 特征融合

中图分类号： TN911.7⁃34； TP391.9" " " " " " " " " "文献标识码： A" " " " " " " " " 文章编号： 1004⁃373X（2024）23⁃0089⁃09

Research on EEG signal decoding based on ECA and

three⁃branch convolutional fusion network

ZHOU Kai， ARKIN Hamdulla

（School of Mechanical Engineering， Xinjiang University， Urumqi 830017， China）

Abstract： Brain⁃computer interface （BCI） systems based on electroencephalogram⁃based motor imagery （MI⁃EEG） signals can facilitate interaction between the brain and external devices， assisting disabled individuals in controlling assistive devices and thereby improving their quality of life. However， the limited decoding performance of EEG signals has hindered the development of the BCI industry. In view of this， an ECA⁃TBCFNet model based on efficient channel attention （ECA） and a three⁃branch convolutional fusion network for decoding MI⁃EEG signals is proposed. The ECA module can capture the cross⁃channel interactions in EEG signals automatically. The three⁃branch convolutional fusion network can extract spatio⁃temporal features from the signals at multiple scales. The ECA⁃TBCFNet model achieves accuracy rate of 83.3% and kappa coefficient of 0.78 in the four⁃class task on the dataset BCI Competition IV⁃2a. The ECA⁃TBCFNet model achieves accuracy rate of 87.87% and 69.01% in the two⁃class tasks and four⁃class tasks on the dataset Physionet MI⁃EEG， respectively. The results demonstrate that the proposed ECA⁃TBCFNet model can improve the recognition accuracy rate of MI⁃EEG signals effectively， and has high robustness.

Keywords： BCI; EEG; MI; ECA; three⁃branch convolutional neural network; feature fusion

0" 引" 言

脑机接口（Brain⁃Computer Interface， BCI）能够通过可穿戴传感器和智能算法来监测和解码大脑活动，并将其转换为控制指令，进而实现人脑与外部设备的交互。脑电图（Electroencephalogram， EEG）能够通过测量大脑皮层表面电位的微小变化来反映大脑的活动状态，并因其具有非侵入性和高时间分辨率等优点而在BCI领域广泛应用[1]。运动想象（Motor Imagery， MI）是指人通过想象而非实际执行的方式来模拟自身肢体（或肌肉）的运动。基于脑电图的运动想象（Electroencephalogram⁃based Motor Imagery， MI⁃EEG）信号的脑机接口系统在医疗和非医疗领域均有许多应用[1]。其中，医疗应用包括卒中后的康复以及控制医疗辅助设备（如轮椅、假肢和外骨骼）等。非医疗应用包括无人机或地面车辆的控制、智能家居和游戏中的环境控制等。虽然基于运动想象的脑机接口系统有着广阔的应用前景，但是它的发展一直受到MI⁃EEG信号解码能力的制约[1]。

基于卷积神经网络（Convolutional Neural Network， CNN）的深度学习模型具有强大的特征提取能力，并且能够随着训练数据规模的变化进行扩展[1]。因此，许多研究者对基于CNN的MI⁃EEG信号解码模型进行了深入研究。文献[2]将可分离卷积整合到CNN架构并提出EEGNet框架，该框架已成功应用于各种MI任务分类。文献[3]提出了FBCNet架构，通过将EEG信号划分为多个频率带，利用CNN提取特征并对MI任务进行分类。在众多CNN模型中，采用多分支结构的CNN不仅可以从多维度提取特征，并可有效缓解MI分类中的过拟合，使模型更易训练。文献[4]设计了一种多分支的三维卷积神经网络，通过三个尺度的卷积从原始脑电信号中提取时空信息。文献[5]提出了一种多分支密集残差连接的三维卷积网络，并通过实验发现多分支网络的分类效果优于单分支，且网络性能随密集残差连接的增多而增强。

注意力机制是深度学习领域的一个研究热点，通过添加注意力机制，深度学习架构能够自动关注输入数据、特征映射甚至层核中的重要元素[6]。最近一些研究表明，基于注意力机制的深度学习模型在MI⁃EEG信号的分类任务上表现良好。文献[7]提出了一种结合挤压和激励（Squeeze and Excitation， SE）注意力模块[8]的三分支CNN模型用于无预处理的MI⁃EEG信号分类。文献[9]通过并行多尺度卷积神经网络提取特征，并采用多头注意力机制模块进一步突出已提取特征中的重要部分，进而提高模型识别精度。文献[10]使用高效通道注意力（Efficient Channel Attention， ECA）[11]模块聚焦与运动想象分类任务相关的特征信息，有效提高了模型性能。

为了进一步提升MI⁃EEG信号的分类性能和解码能力，本文提出了一种基于ECA和三分支卷积融合网络的ECA⁃TBCFNet模型用于MI⁃EEG信号解码，以此实现MI⁃EEG信号的跨通道交互自动关注以及多尺度特征提取。本文主要贡献如下。

1） 采用ECA模块自适应学习MI⁃EEG信号中的跨通道交互，提高MI⁃EEG信号的空间特征提取能力。

2） 提出了一种三分支卷积融合网络模块，能够多各尺度地从MI⁃EEG信号中提取时空特征，有效提高了模型性能。

3） 在BCI竞赛IV⁃2a数据集[12]和Physionet MI⁃EEG数据集[13]上对ECA⁃TBCFNet模型进行了评估，取得了较高的分类精度。

1" 研究方法

1.1" 网络模型

本文提出的ECA⁃TBCFNet模型包含ECA模块和三分支卷积融合网络模块，具体结构如图1所示。首先，采用ECA模块捕捉原始MI⁃EEG信号中的跨通道交互，提高脑电信号的空间分辨率；然后，采用三分支卷积融合网络模块从多个尺度提取MI⁃EEG信号中的时空特征；最后，将提取到的特征输入至全连接层并利用Softmax函数实现类别划分。

1.2" 模型输入表示

本文所提出的ECA⁃TBCFNet模型以一个运动想象实验[Xi∈RC×T]为输入，该实验由[C]个EEG电极（通道）和[T]个时间点组成。ECA⁃TBCFNet模型的目标是将输入的MI实验[Xi]映射到其相应的类[yi]，给定一组[m]标记的MI实验[S={Xi，yi}mi=1]，其中，[yi∈{1，2，…，n}]是实验[Xi]对应的类标签，[n]为集合[S]定义的类总数。

对于BCI竞赛IV⁃2a数据集[12]，其中，脑电通道个数[C]=22，时间点个数[T]=1 125，MI实验个数[m]=5 184，MI类别个数[n]=4。对于Physionet MI⁃EEG数据集[13]，脑电通道个数[C]=64，时间点个数[T]=640，MI实验个数[m]=9 241，MI类别个数[n]=4。

1.3" 高效通道注意力（ECA）

从脑电信号采集的角度来看，单个脑电通道记录的电信号是由于体积传导作用而产生的多个神经元活动的叠加。为了减少脑电信号通道之间的相互干扰，提高脑电信号的空间分辨率，文献[14]将通道注意力机制成功应用于MI⁃BCI的通道选择，并取得78.8%的准确率和0.71的Kappa值。受此启发，本文引入ECA模块来重新校准脑电信号的空间信息，提高模型对脑电信号空间（通道）特征的提取能力。ECA模块利用神经网络对提取到的时空特征赋予关注权值，并根据特征的重要性自适应优化网络参数，详细实现过程如下。

1） 如图2所示，ECA模块输入的维数为[（N，H，W，C）]，其中[C]为通道数。GAP表示全局平均池化，它在不减少通道数的同时将输入的数据压缩，并聚合每个通道的特征。经过GAP层后，输入的维数变为[（N，1，1，C）]。

2） 在GAP层之后，通过一维卷积层自动学习新的特征图。当计算权重时，一维卷积层的卷积核大小会影响注意力机制中特征通道的数量，即跨通道交互的覆盖面。因此，需要考虑每个通道及其相邻的[k]个通道，所以采用了一种自适应方法来确定[k]的值，其中[k]与特征通道数成比例，如式（1）所示，[b]表示[k]与通道数[C]之间线性映射的偏移量。

[k=ψ（C）=log2 Cy+byodd] （1）

3） 通过[σ]对非聚合通道进行特征重分布，如式（2）所示。[σ]表示经过通道交互后获得的效果与分配的权重之间的关系，C1D表示卷积核大小为[k]的一维卷积层。在本文中，[σ]采用Sigmoid函数来映射权重。

[ω=σ（C1Dk（y））] （2）

1.4" 三分支卷积融合网络模块

在MI⁃EEG分类任务中，单分支CNN的性能可能因受试者甚至信号采集时间点的不同而受到较大影响，而多分支CNN能够从EEG信号中获得更全面的特征，且鲁棒性更好。因此，本文提出一种三分支卷积融合网络模块，从多个尺度对MI⁃EEG信号的频谱和空间特征进行提取，以此提高模型性能，具体结构如图3所示。

三分支卷积网络融合模块的第一部分为时序卷积层，包含[F1]个大小为[（1，Kc）]的卷积核。本文将[F1]取为16，此外，为了卷积层提取4 Hz及以上的频率信息，[Kc]被设定为采样率[Fs]的[14]。时序卷积层的输出是时序特征图。

三分支卷积网络融合模块的第二部分为三分支卷积网络，其中分支一与分支二具有相同结构，均由一个深度卷积层和一个时空卷积层组成，分支三仅由一个深度卷积层组成。时序卷积层输出的时序特征图经过三个分支中的深度卷积层处理后分别输出一个时间序列[Si，2∈RT×Di×F1]，[i=1，2，3]，其中[i]表示分支序号，[Di]表示各分支连接到每个时序特征图的空间核数。本文将三个分支中的深度卷积层的[Di]分别设定为[D1=2]，[D2=6]，[D3=3]。在各分支的深度卷积层之后均用内核大小为（1，8）的平均池化层将时间数据和采样频率降低到输入的[18]。分支一与分支二的第二个卷积层均为时空卷积层，包含[F2]个大小为[（1，Kc2）]的卷积核。为便于在500 ms（32 Hz采样数据）内解码MI活动，两个分支的[Kc2]均被设置[6]为16。时空卷积层能够自动学习如何将时空特征最优融合在一起，并输出一个高级时空序列[Si，3∈RT1×F2]，[i=1，2]。然后，使用内核大小为（1，[P2]）的平均池化层将采样率降低到[-32P2] Hz，本文将[P2]设为7。最后，分支一与分支二均输出一个时间序列[zi∈RTc×d]，[i=1，2]，分支三输出一个时间序列[S3，2∈RT×D3×F1]。

将三个分支输出的时空序列展平并拼接成一个时序序列，再将其输入到全连接层并通过Softmax函数进行类别预测。上述所有卷积层均通过批量归一化加速网络训练，并通过指数线性单元（Exponential Linear Unit， ELU）激活非线性。

2" 数据集与实验设置

2.1" 数据集介绍

BCI竞赛IV⁃2a数据集[12]是一个著名的MI⁃EEG公共数据集，其包含22个脑电图电极记录9名受试者的 5 184次MI⁃EEG样本（每个受试者576次）。每个MI实验持续4 s，采样频率为250 Hz。每次MI实验均为以下四种任务之一：想象左手运动、想象右手运动、想象双脚运动和想象舌头运动。每个受试者均在不同的两天各进行了一次采集实验，每次实验记录288次MI任务，其中一次实验的数据用于训练模型，另一次用于测试模型。

Physionet MI⁃EEG数据集[13]包括109名受试者的脑电图记录。每个受试者均进行了包含4项任务的14次实验，并使用BCI 2000系统以160 Hz的采样率记录执行任务时的64通道脑电图信号。14次实验包括2个基线实验、6个实际动作实验和6个MI实验。MI实验包括左拳（L）、右拳（R）、双拳（LR）和双脚（F）4种MI任务。每种MI任务进行21次，每次持续4 s。由于标注错误，本文未采用受试者38、88、89、92、100和104的数据。

2.2" 数据集预处理

将采用很少预处理的脑电信号作为深度学习模型的输入可以得到更具竞争力的结果[1]。因此本文分别对BCI竞赛IV⁃2a数据集和Physionet MI⁃EEG数据集仅进行0.5[～]100 Hz的带通滤波和0[～]80 Hz的带通滤波。

此外，两个数据集的MI⁃EEG信号在输入模型前均进行了标准化处理，如式（3）所示：

[x′i=xi-mean（xi）std（xi），" " i=1，2，…，C] （3）

式中[C]为EEG信号通道数。

2.3" 评估方法与评价指标

2.3.1" 评估方法

在BCI竞赛IV⁃2a数据集上，使用受试者依赖和受试者独立方法评估提出的模型。对于受试者依赖方法，本文使用第一次采集的288×9个MI实验数据用于训练，将第二次采集的数据用于测试。对于受试者独立方法，本文采用留下一个被试（Leaving One Subject Out，" LOSO）的方法，即模型训练和测试的次数等于被试的数量，每次使用一个受试者的数据测试模型，剩下的其他受试者数据用于训练模型。

在Physionet MI⁃EEG数据集上通过受试者独立的方法对提出的模型进行评估。具体来讲，是采用10折交叉验证来评估模型的性能，即在每次实验中随机选择10%的数据进行测试，其余90%的数据用于训练。此过程重复10次，并将10次实验结果的平均值作为最终结果。

2.3.2" 评价指标

本文使用准确率（Acc），单位为%，以及Kappa系数（[K]）作为模型性能的评价指标，具体描述如下：

[Acc=i=1nTPi Iin] （4）

式中：[TPi]为正样本，即第[i]类中正确预测的样本数；[Ii]为第[i]类中的样本数；[n]为类数。

[K=1nj=1nPj-Pe1-Pe] （5）

式中：[n]为类别的数量；[Pj]是第[j]类被正确分类的实际百分比；[Pe]为所有类别被正确分类的预期百分比。

2.4" 实验环境与参数设置

本文所有实验均是在Ubuntu 22.04操作系统上完成，GPU为NVIDIA GTX 3080显卡，显存为10 GB，编译语言为Python 3.8，深度学习框架为TensorFlow 2.9。在训练前用Glorot统一初始化器进行模型权重初始化，训练时采用Adam优化器进行参数优化，损失函数采用多分类交叉熵函数，学习率为0.000 9。在BCI竞赛IV⁃2a数据集训练1 000个epoch，批量大小为64，在Physionet MI⁃EEG数据集训练500个epoch，批量大小为32。

3" 实验结果与分析

3.1" 深度卷积层的输出通道数选择

为探究三分支卷积网络融合模块中的深度卷积层输出通道数的变化对模型性能的影响，本文在BCI竞赛IV⁃2a数据集上对ECA⁃TBCNet模型进行了参数对比实验。

深度卷积层的输出通道数为[F1×Di]，[i=1，2，3]，其中[F1]为输入通道数，[Di]是链接到前一层每个时间特征图的滤波器数量，[i]是三分支卷积网络模块中的分支序号。本文中的三个深度卷积层的输入通道数[F1]均为16，所以输出通道数由[Di]唯一确定。对于单分支卷积网络，输出通道数为32的深度卷积层有较好的特征提取能力[2，6，15]。因此本文将三分支卷积网络模块的分支一中的深度卷积层的参数[D1]选定为2，并采用控制变量的方法探究[D2]与[D3]对ECA⁃TBCNet模型性能的影响。本文将[D2]与[D3]的取值范围规定为2～6之间的整数。实验时，首先将[D2]的值固定，然后记录下[D3]从2增加到6时ECA⁃TBCNet模型性能的变化，结果如图4所示。

从图4可知：随着[D3]取值增大，模型分类准确率的总体趋势是逐步降低的，但当[D2]与[D3]取值不同为偶数或奇数时，分类准确率会有不同程度的增加，这表明[D2]与[D3]同时取偶数或者奇数时，提取到的特征相似，不能起到相互补充的作用；反之，能够提取到多种尺度的特征，发挥出多分支网络的优势。此外，当[D2=6]且[D3=3]时，ECA⁃TBCNet模型为最佳工作状态。

3.2" 不同注意力机制对模型性能的影响

为了检验不同注意力机制对于模型性能的影响，本文在模型中分别采用SE、CBAM[16]和ECA三种注意力机制，并在BCI竞赛IV⁃2a数据集上进行训练与验证实验，结果如表1所示。

由表1可知，三种注意力机制均能提升模型性能，其中ECA模型结果最好，这是由于ECA具有强大的跨通道交互捕捉能力，并且能够避免通道降维，能更好地为各个通道赋予权值。

3.3" 消融实验

为了探究各模块对模型性能的具体贡献，本文在BCI竞赛IV⁃2a数据集上进行了消融实验，结果如表2所示。

由表2可知，ECA模块使整体精度提高了0.77%。当去除ECA模块后，即仅有三分支卷积网络融合模块时，去除三分支卷积网络中的分支二使准确率降低0.82%，去除分支三使准确率降低0.74%，同时去除分支二和分支三使准确率降低2.05%，这说明分支二和分支三均有较强的特征提取能力，并且均能对分支一提取到的特征进行补充。

3.4" 分类结果对比与分析

3.4.1" BCI竞赛IV⁃2a数据集上的对比实验

本节使用BCI竞赛IV⁃2a数据集评估ECA⁃TBCFNet模型的性能，并与复现模型进行比较，包括EEGNet[2]、EEG⁃TCNet[15]和TCNet⁃Fusion[17]。复现模型的分类结果是采用原始文章中定义的参数训练得到的，而预处理、训练和评估是按照本文中指定的方法进行的。

表3显示了10次随机训练后，每个模型在受试者依赖评估上的最佳性能和平均性能。

表3结果表明：ECA⁃TBCFNet模型中所有受试者的精度均优于其他模型，其准确率为83.3%，[K]为0.78；ECA⁃TBCFNet模型10次训练的平均性能，即平均90次单独且随机训练（9个受试者×10次运行）也高于其他模型。这表明ECA⁃TBCFNet模型具有较强的学习能力，并能在多次运行后重现相似的稳定结果。此外，ECA⁃TBCFNet模型取得了最佳的标准偏差（std），表明该模型在不同受试者身上的分类性能更加稳定。

图5为ECA⁃TBCFNet模型和其他复现模型（EEGNet、EEG⁃TCNet以及TCNet Fusion）的混淆矩阵。与其他模型相比，ECA⁃TBCFNet模型提升了所有MI活动的分类性能。

在表4中，本文根据预处理、输入数据、网络结构和网络性能比较了近年来的MI解码研究。

结果表明，ECA⁃TBCFNet模型的性能优于以往使用原始MI⁃EEG信号且未进行预处理的模型。在受试者依赖和受试者独立评估上，ECA⁃TBCFNet模型都取得了最佳表现，这说明该模型对新受试者具有更好的泛化能力。

t分布随机邻居嵌入（t⁃Distributed Stochastic Neighbor Embedding， t⁃SNE）是一种广泛应用的统计降维和特征可视化技术，其能够将高维数据点映射到低维空间，同时保留数据的局部结构。

图6为复现模型和本文提出的ECA⁃TBCFNet模型在BCI竞赛IV⁃2a数据集上的t⁃SNE特征可视化结果。从图中可知，ECA⁃TBCFNet模型提取到的特征具有更清晰的边界和更明显的聚类，这再次证明了该模型能够有效地提取特征信息，并增强不同类别的可分性。

3.4.2" Physionet MI⁃EEG数据集上的对比实验

为了进一步测试ECA⁃TBCFNet模型的解码能力和鲁棒性，本文在Physionet MI⁃EEG数据集上对该模型进行了两类（L和R）和四类（L，R，LR和F）运动想象分类实验，并与该数据集上的先进模型进行对比，结果如表5所示。

从表5中可以看出：ECA⁃TBCFNet模型在两类和四类运动想象分类任务上的准确率分别达到了87.87%和69.01%，相比于其他模型分别提高了1.17%和0.47%，这证明ECA⁃TBCFNet模型具有较优的特征提取和分类性能。

图7为ECA⁃TBCFNet模型在两类和四类运动想象分类任务中的混淆矩阵。结果表明，ECA⁃TBCFNet模型在识别左拳、右拳类别上表现良好，但在识别双拳类别上表现较差。这说明该模型对单手运动时的双侧大脑区域的神经活动有较好的识别能力，但对双手运动时的神经活动识别能力较弱。此外，该模型在双脚类别上有较高的分类准确率，说明其可以有效识别来自单侧运动皮层的神经活动。

图8为使用t⁃SNE方法对ECA⁃TBCFNet模型在Physionet数据集上的两类和四类分类运动想象任务中提取到的特征进行可视化处理后的结果。

由图8可知，在这两个分类任务中，来自左拳和右拳的大多数特征样本都表现出较高的可分辨性，这表明ECA⁃TBCFNet模型可以有效地提取到这两类运动想象任务的特征。在四类运动想象分类任务中，提取到的双脚运动想象特征具有较高的可分辨性，而双拳运动想象特征重叠明显，可分辨性较低，不利于准确分类。

4" 结" 论

为提高运动想象脑电信号识别准确率，本文提出了一种基于ECA和三分支卷积融合网络的ECA⁃TBCFNet模型。首先，通过ECA模块捕捉原始MI⁃EEG信号中的跨通道交互；然后，使用三分支卷积网络融合模块从多个尺度提取EEG信号的时空特征；最后，将提取到的特征输入全连接层并利用Softmax函数实现类别划分。

为验证本文所提出模型的识别准确率与泛化鲁棒性，进行了相关实验，结论如下。

1） 通过在BCI竞赛IV⁃2a数据集的消融实验证明ECA⁃TBCFNet模型中的各模块均对整体性能有显著的贡献。然后，通过在BCI竞赛IV⁃2a数据集上的模型对比实验可知，ECA⁃TBCFNet模型的受试者独立准确率为70.8%，受试者依赖准确率为83.3%，优于当前模型，证明该模型能够有效地从原始MI⁃EEG信号中检测MI活动。此外，通过混淆矩阵可知，该模型还提高了所有受试者的脑电信号识别能力，展现了其从不同受试者和不同类别中提取更丰富MI特征的能力，并通过t⁃SNE特征可视化再次证明了这点。

2） 为了再次评估ECA⁃TBCFNet模型的特征提取和分类能力，以及在新数据集上的泛化性能，本文在Physionet MI⁃EEG数据集上进行了两类和四类运动想象任务的分类实验。结果显示，ECA⁃TBCFNet模型的两分类和四分类准确率分别为87.87%和69.01%，优于该数据集上的其他模型，证实了ECA⁃TBCFNet模型有较强的运动想象脑电信号解码能力和高鲁棒性。在未来的工作中，将继续探索和优化框架，再次提高MI⁃EEG信号的识别能力。

注：本文通讯作者为艾尔肯·亥木都拉。

参考文献

[1] ALTAHERI H， MUHAMMAD G， ALSULAIMAN M， et al. Deep learning techniques for classification of electroencephalogram （EEG） motor imagery （MI） signals： A review [J]. Neural computing application， 2023， 35（20）： 14681⁃14722.

[2] LAWHERN V J， SOLON A J， WAYTOWICH N R， et al. EEGNet： A compact convolutional neural network for EEG⁃based brain⁃computer interfaces [J]. Journal of neural engineering， 2018， 15（5）： 056013.

[3] MANE R， ROBINSON N， VINOD A P， et al. A multi⁃view CNN with novel variance layer for motor imagery brain computer interface [C]// 2020 42nd Annual International Conference of the IEEE Engineering in Medicine amp; Biology Society （EMBC）. New York： IEEE， 2020： 2950⁃2953.

[4] ZHAO X Q， ZHANG H M， ZHU G L， et al. A multi⁃branch 3D convolutional neural network for EEG⁃based motor imagery classification [J]. IEEE transactions on neural systems and rehabilitation engineering， 2019， 27（10）： 2164⁃2177.

[5] LIU T， YANG D. A densely connected multi⁃branch 3D convolutional neural network for motor imagery EEG decoding [J]. Brain sciences， 2021， 11（2）： 197.

[6] ALTAHERI H， MUHAMMAD G， ALSULAIMAN M. Dynamic convolution with multilevel attention for EEG⁃based motor imagery decoding [C]// IEEE Internet of Things journal， 2023， 10（21）： 18579⁃18588.

[7] ALTUWAIJRI G A， MUHAMMAD G， ALTAHERI H， et al. A multi⁃branch convolutional neural network with squeeze⁃and⁃excitation attention blocks for EEG⁃based motor imagery signals classification [J]. Diagnostics， 2022， 12（4）： 995.

[8] HU J， SHEN L， ALBANIE S， et al. Squeeze⁃and⁃excitation networks [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2020： 2011⁃2023.

[9] 冯泽林，宋耀莲.多尺度卷积与注意力机制的脑电信号识别研究[J].现代电子技术，2023，46（23）：85⁃92.

[10] 周成诚，曾庆军，杨康，等.基于高效通道注意力模块的运动想象脑电识别[J].计算机与现代化，2023（12）：19⁃23.

[11] WANG Q， WU B， ZHU P， et al. ECA⁃Net： Efficient channel attention for deep convolutional neural networks [C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE， 2020： 11531⁃11539.

[12] BRUNNER C， LEEB R， MÜLLER⁃PUTZ G R， et al. BCI competition 2008： Graz data set A [EB/OL]. [2023⁃09⁃13]. https：//bbci.de/competition/iv/desc_2a.pdf.

[13] GOLDBERGER A L， AMARAL L A， GLASS L， et al. PhysioBank， PhysioToolkit， and PhysioNet： Components of a new research resource for complex physiologic signals [J]. Circulation， 2000， 101（23）： E215.

[14] MIAO Z Q， ZHAO M R， ZHANG X， et al. LMDA⁃Net： A lightweight multi⁃dimensional attention network for general EEG⁃based brain computer interfaces and interpretability [J]. Neuroimage， 2023， 276： 120209.

[15] INGOLFSSON T M， HERSCHE M， WANG X Y， et al. EEG⁃TCNet： An accurate temporal convolutional network for embedded motor⁃imagery brain⁃machine interfaces [EB/OL]. [2020⁃06⁃09]. https：//arxiv.org/abs/2006.00622.

[16] WOO S， PARK J， LEE J Y， et al. CBAM： Convolutional block attention module [C]// Proceedings of the European Conference on Computer Vision （ECCV）. Heidelberg， Germany： Springer， 2018： 3⁃19.

[17] MUSALLAM Y K， ALFASSAM N I， MUHAMMAD G， et al. Electroencephalography⁃based motor imagery classification using temporal convolutional network fusion [J]. Biomedical signal processing and control， 2021， 69： 102826.

[18] AMIN S U， ALSULAIMAN M， MUHAMMAD G， et al. Deep learning for EEG motor imagery classification based on multi⁃layer CNNs feature fusion [J]. Future generations computer systems， 2019， 101： 542⁃554.

[19] DOSE H， MØLLER J S， IVERSEN H K， et al. An end⁃to⁃end deep learning approach to MI⁃EEG signal classification for BCIs [J]. Expert systems with applications， 2018， 114： 532⁃542.

[20] ROOTS K， MUHAMMAD Y， MUHAMMAD N. Fusion convolutional neural network for cross⁃subject EEG motor imagery classification [J]. Computers （Basel）， 2020， 9（3）： 72.

[21] KOSTAS D， AROCA⁃OUELLETTE S， RUDZICZ F. BENDR： Using transformers and a contrastive self⁃supervised learning task to learn from massive amounts of EEG data [EB/OL]. [2021⁃01⁃28]. https：//arxiv.org/abs/2101.12037.

[22] XIE J， ZHANG J， SUN J， et al. A transformer based approach combining deep learning network and spatial temporal information for raw EEG classification [J]. IEEE transactions on neural systems and rehabilitation engineering， 2022， 30： 2126⁃2136.

[23] ALI O， SAIF⁃UR⁃REHMAN M， GLASMACHERS T， et al. ConTraNet： A single end⁃to⁃end hybrid network for EEG⁃based and EMG⁃based human machine interfaces [EB/OL]. [2022⁃10⁃02]. https：//doi.org/10.48550/arXiv.2206.10677.

作者简介：周" 凯（1997—），男，河南商丘人，硕士研究生，研究方向为脑机接口、运动想象脑电信号处理。

艾尔肯·亥木都拉（1972—），男，新疆鸟鲁木齐人，硕士研究生，副教授，研究方向为脑机接口、信号处理和高端农牧装备与特种机器人。