基于深度学习的运动想象脑机接口研究综述
摘要
近年来，深度学习技术被广泛应用于脑电接口（BCI）领域以提高运动想象脑机接口（MI-BCI）系统的鲁棒性与分类性能。本文综述了卷积神经网络（CNN）、深度信念网络（DBN）和循环神经网络（RNN）在运动想象脑电识别中的应用及其优势。通过对比分析这些模型的特点与应用场景，在MI-BCI系统中展示了它们如何协同工作以提升分类效果。此外，混合型网络结合CNN-RNN等架构也被提出用于进一步优化EEG信号分析与分类性能。
摘要
内容目录：
1 基于卷积神经网络的运动想象脑电识别方法
1.1 卷积神经网络
1.2 EEGNet 模型
2 基于深度信念网络的运动想象脑电识别方法
2.1 深度信念网络
2.2 基于微分熵的 DBN
2.3 基于小波包分析的 DBN
3 基于循环神经网络的运动想象脑电识别方法
3.1 循环神经网络
3.2 BLSTM
3.3 基于共空间模式的 LSTM
4 混合型网络
5 结 语
脑机接口（Brain-Computer Interface, BCI）技术是一种能够通过构建起人脑意识行为与外部设备之间的直接连接而无需依赖人体肌肉组织与神经组织的先进通道。作为一种新型的人机交互技术，在神经工程领域中占据着高度活跃的研究热点之一，在生物医学、神经康复以及智能机器人等多个领域都展现出显著的应用前景与研究价值。
运动想象任务（Motor Imagery Task, MI）是脑机接口（Brain-Computer Interface, BCI）研究领域中较为常见的实验任务类型之一。该实验模态采用基于脑电采集系统（Electroencephalogram-based Signal Acquisition System），构建了运动想象脑机接口（Motor Imagery Brain-Computer Interface, MI-BCI）。该系统能够从被试者 brain-computer interface 的意识任务信号中提取并分析特定的模式信息。通过模式识别算法将采集到的意识信号特征转化为相应的操作指令，并将其发送至外部设备进行控制操作。在康复医学领域得到了广泛应用，并且已被成功应用于辅助人工假肢控制神经功能的具体操作过程。引入了基于意象的空间映射模型后，在此框架下设计出了一种新型的MI-BCI系统架构。这种架构能够有效实现患者意图脑电信号到外部肢体动作空间坐标的精准映射转换机制。
实现脑机接口的技术基础在于能够精确识别脑电信号并确保系统的稳定性。
而深度学习（Deep Learning, DL）通过其独特的自适应机制优化模型参数来提升分析效果
为了有效提取脑电信号中的关键特征，在分析脑电信号时会面临诸多技术难题。由于脑电信号具有显著的随机性特征以及较强的背景噪声干扰，并且其动态变化特性使得不同被试者之间的信号表现出较大的差异性；因此，在进行相关分析时会遇到诸多挑战。为了实现对脑电信号的精准解读与有效应用，在选择深度学习模型时不仅要注重分类性能的提升还要确保系统在跨范式、跨被试及跨试验条件下的良好鲁棒性表现成为当务之急。为此本研究主要探讨了卷积神经网络（Convolution Neural Network CNN）、深度信念网络（Deep Belief Network DBN）与递归神经网络（Recurrent Neural Network RNN）等主流深度学习模型以及在通用架构基础上优化后的适应脑电信号特点的新一代深度学习模型变体同时深入研究了基于深度学习方法与其他特征提取技术结合构建的混合型模型方案并重点分析了各深度学习算法间的融合应用策略以期为后续研究提供理论支撑与技术指导
1
基于卷积神经网络的运动想象脑电识别方法
1.1 卷积神经网络
卷积神经网络最早由美国纽约大学Yann Lecun教授于1998年首次提出。其本质是一种多层感知机架构，在自动特征提取与分类任务中尤其适用于图像数据及一维时序信号处理。该方法已在计算机视觉与语音识别等领域的广泛应用中取得了显著成效，在深度学习领域已成为生物医学信号分析的重要工具之一，并在EEG数据分析方面表现尤为出色。作为一种多层前馈神经网络体系结构,CNN的具体架构通常参考图1进行展示,其核心理念体现在局部感知机制、权值共享策略以及下采样技术三个关键方面,这些基本原理共同构成了CNN高效处理复杂数据的独特能力。
图 1 CNN 典型结构
1.2 EEGNet 模型
1.2.1 EEGNet 模型的架构
该研究团队提出了一种名为 EEGNet 的技术,这种技术是一种用于基于 EEG 的人脑机接口 (BCI) 的紧凑型深度卷积神经网络 (CNN)。即使训练数据量较少,该模型也展现出更强的学习能力与更高的分类精度,能够有效应用于处理事件相关电位 (ERP) 以及基于振荡的人脑机接口 (BCI) 。其显著特点是可以解析神经活动中的关键信息,为理解大脑电信号与人类行为之间的关系提供了新的视角
如图2所示，该架构由两个卷子模块和一个分类模块组成。第一个卷子模块整合了常规二维卷积与深度可分离卷子（DC）组件，在此基础之上第二层采用了深度可分离组件（DSC）。该分类模块直接应用Softmax函数进行分类。值得注意的是，在每一步骤结束后都会附加Batch Normalization（BN）处理，并在每个滤波器组中均附带Dropout层以防止过拟合现象的发生。此外，在激活环节我们选择了Linear函数与指数线性单元（ELU）作为激活函数选择
是时间滤波器的个数，D 是空间滤波器的个数，
N代表点滤波器的数量，在Dropout层中针对同一组测试样本（即同一被试数据），分类任务通过概率p=0.5随机切断部分神经元之间的连接；而针对不同组测试样本（即不同被试数据），分类任务则通过概率p=0.25随机切断部分神经元之间的连接。
图 2 EEGNet 模型架构
1.2.2 深度可分离卷积
在轻量级神经网络中占据核心地位的是深度可分离卷积结构。该结构既能保持网络的高度非线性特性又充分挖掘了各通道的信息。它通过有效缩减了模型复杂度大幅降低了模型参数数量和运算负担。该架构由两个关键组件构成：一个是深度卷积模块（DCL），另一个是逐点卷积模块（PCL）。其中心工作流程首先是通过深度卷 convolution模块融合了空间维度上的相关信息接着通过逐点卷 convolution模块整合了各通道的信息以完成完整的特征提取过程。
深度卷积是一种逐通道处理的技术。其具体操作步骤如下：首先将上一层输出的 N 个特征图分割为单独的一张张特征图；然后分别对其进行单通道 convolution操作；最终将处理后的各个特征图组合在一起形成新的 feature map。由于每个 convolution kernel专门处理一个独特的 channel，并且每个 channel只会被对应的 convolution kernel作用于其自身数据特性；因此，在深度卷积层中使用的 convolution kernels数量等于上一层输出所拥有的 channel数目。
点卷积是一种逐点执行的二维空间上的局部线性变换操作，在深度学习模型中被广泛应用于图像处理任务中。具体而言，在深度神经网络模型中，该操作主要针对特征图的空间位置处逐一执行滤波计算。相较于传统深度卷积结构，在特征提取过程中能够更好地利用同一位置的不同通道信息。
1.2.3 EEGNet 模型的优点
基于EEGNet模型的优势分析可知，在该模型中采用了ELU激活函数并结合深度可分离卷积架构以提升性能表现。具体而言，ELU函数通过融合sigmoid函数与ReLU函数的特点，在右侧呈现无饱和特性从而有效缓解梯度消失问题，并且左侧具有软饱和特性使其对输入变化及噪声具有更强的鲁棒性。鉴于EEG信号作为背景噪声及随机性较强的非平稳信号类型，在选择激活函数时其抗噪声能力优势使其更适合用于EEG数据分析。在架构设计方面，采用深度可分离卷积不仅降低了模型复杂度与计算负担，还能显著提高训练效率与收敛速度
1.3 基于图谱的卷积神经网络
1.3.1 小波变换的特点
传统的信号处理方法中的傅里叶变换在处理平稳信号和理想信号方面表现出色。然而，在面对具有不稳定性且随机性较强的脑电信号时，则无法直接应用这一方法。进一步观察到，在对不平稳且随机性较强的脑电信号进行处理时，若采用窗函数将其分割为较短的时间片段，并将这些短时片段视为局部平稳的信号，则可应用傅里叶变换进行分析。值得注意的是这种方法虽然有效但在实际应用中却存在一定的局限性即其窗函数的大小与形状是固定的不具备自适应性因此难以全面平衡高频谱信息在此背景下研究者们提出了另一种解决方案即引入了小波变换（Wavelet Transform WT）。作为一种广泛应用的时频分析工具小波变换通过对原始信号进行多尺度分解能够有效地提取不同频率成分的信息并具有多分辨率的优势具体而言较大的尺度因子对应着宽大波频带能够捕捉低频信息而较小的尺度因子则能够更好地捕捉高频细节从而实现了对不同频率成分的有效分离这一特性使得小波变换在现代 signal processing 领域中发挥着重要作用
在信号处理领域中，小波变换犹如一把精准的数学显微镜，在细微处展现信号的真实面貌。它不仅继承并发展自短时傅里叶变换的核心局部化概念，在放大局部信号细节方面表现尤为出色。值得注意的是，在这种优势下，小波变换成功规避了传统窗函数固定尺寸带来的不足。
1.3.2 小波时频图
Lee 等人提出了一种利用连续小波变换（Continuous Wavelet Transform, CWT）的方法来提取脑电信号的时间-频率特征，并将生成的小波时频图作为一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1D-CNN）的输入。结果显示，在传统机器学习分类方法中采用该模型可以获得更高的分类准确率。本研究主要涉及两种关键的小波变换技术：连续小波变换（Continuous Wavelet Transform, CWT）和离散小波变换（Discrete Wavelet Transform, DWT）。其中重点讨论的是连续小 wavelet transform的应用及其优势。该方法通过转换将信号从时间域延伸至时频域进行分析。其显著的优势在于能够灵活调节用于分解的小 wavelet 基函数的尺度因子和位置参数。这种灵活性使得在短时间内即可适应复杂的信号分析需求
该类小 wave 变换属于连续小 wave 家族的一部分... 其核心概念在于通过与 Morlet 模板进行卷积运算... 通过多分辨率的小 wave 分解方法对原始脑电信号展开分析... 各运动意图条件下提取的小 wave 能量特征呈现明显差异性... 由此可知，在不同的运动意图状态下利用小 wave 变换所得的小时频图能够有效地提取关键特征
该方法通过将 EEG 信号转化为二维图像来进行处理。
通过连续小波变换获得的时频图被用作 CNN 的输入。
从而实现任务分类目标。
基于小波时频图谱构建的卷积神经网络在对运动想象脑电信号进行分类处理方面通常被视为较为传统的方法。
1.3.3 脑地形图作为 CNN 的输入
众所周知，在与传统机器学习算法相比的前提下,深度学习模型展现出更强的数据敏感性特点,当面对样本数量的增长时,采用深度学习方法对脑电信号进行分类能够显著提升分类性能.然而,由于单次实验仅生成一个对应的时频图,导致样本数量有限,这使得CNN分类精度的提升空间较为有限.针对这一问题,Ayman等人于2020年提出了一种创新的方法:通过将一维脑电信号的时间序列转换为二维脑电地形图的方式,每选取连续两秒的时间窗口即可生成对应的空间采样点数个地形图.具体而言,每个采样点生成一个二维地形图,每选取这样的时间窗口即可生成对应的空间采样点数个地形图.这种方法不仅提供了丰富的空间信息,并且能够从时序维度捕捉运动意图的变化特征.
1.4 基于迁移学习的 VGG 网络
1.4.1 迁移学习
在线BCI系统通常需于受试者启动前收集其大量脑电信息以供离线分类器训练，并要求两类信号（即训练与测试）均处于同一特征空间且具有相同的统计特性。然而这种全量采集的方式对于实际应用而言存在诸多技术难题：其一各受体之间的信号呈现显著差异；其二若仅依赖其他受体的信号建立分类器，则难以满足系统的鲁棒需求；基于此问题，在现有深度神经架构基础上采用了迁移学习策略以期平衡样本获取与模型泛化的矛盾
在迁移学习框架下，模型能够将来自不同领域的特征信息整合至当前任务的学习过程中。这种技术方法能够有效帮助模型在仅依赖少量目标域数据的情况下完成任务目标，并通过从相似领域中获取的知识储备来辅助当前任务的学习过程。作为深度学习的一种高级技术手段，在实际应用中能够迅速而精确地构建CNN模型。传统的CNN参数初始化策略并非从零开始，并且这一特性避免了计算资源的巨大浪费；相反地将其余被试者的脑电数据训练所得的模型参数迁移到当前被试者，并将其作为初始设置使用。
1.4.2 VGGNet
VGGNet 是一种在计算机视觉领域备受关注的卷积神经网络（CNN），其主要特点在于采用了大量的3×3尺寸的小核以及2×2尺寸的大池化核进行设计架构。该网络结构中每个卷积层通常包含2至4个独立的卷积操作，在深度方面则一般设置为11至19层之间。其中较为常见的是VGGNet-16（共16层）和VGGNet-19（共19层）。采用多个小核堆叠替代单个大核的设计能够显著提升空间感受野的同时减少计算参数并增强非线性映射能力。无论应用于大规模数据集还是小型数据集,VGGNet 均展现出出色的表现。
将迁移学习技术应用于脑电数据分析领域的过程中，首先需要对预训练深度神经网络模型进行微调训练使其能够处理新的目标任务这一过程包含以下几个关键步骤：首先，在此过程中考虑到 VGGNet架构要求输入为大小为224×224的RGB图像因此必须将一维的时间序列数据转换为二维矩阵形式这一转换操作可参考本文1.3节所述的具体实现方法；其次在完成了上述数据预处理工作后下一步便是选择一个基于预训练VGG网络结构构建的基础模型；随后通过替换原始VGGNet架构中后期若干层结构参数并对全连接层输出维度进行相应调整从而实现对新任务的学习能力提升；最后根据具体任务需求设定合适的优化算法起始学习率以及批量处理大小参数并对其进行迭代优化以达到较高的分类准确率水平。此外Raghu及其团队开发了一种基于预 trained 网络特征提取的新方法他们在该研究领域取得了一系列令人满意的分类效果
２
基于深度信念网络的运动想象脑电识别方法
2.1 深度信念网络
2.1.1 深度信念网络概述
与传统神经网络架构相似，在处理复杂的非线性关系方面具有更高的灵活性和建模能力因而受到了广泛关注
2.1.2 限制玻尔兹曼机
DBN是一种自底向上的逐层构建与训练的人工神经网络模型。该网络具体包括两个主要层次：一个是可见层节点集合（即输入层），另一个是隐含层节点集合。可见层负责接收输入数据，并将其映射到隐含空间中进行特征提取；隐含层则通过非线性变换捕获数据的高层次抽象表示。具体的网络构建与训练流程如下：首先利用底层RBM接收原始数据并进行特征提取；接着将上一层RBM获取到的特征作为输入传递给下一层进行进一步学习。从而使得整个网络的学习过程得以简化为对各个RBM模型依次进行优化。
2.2 基于微分熵的 DBN
Entropy serves as a measure in thermodynamics to quantify the disorder within a physical system. In information theory, entropy measures the degree of uncertainty associated with a signal and provides an indication of the amount of information it contains. When dealing with brain电信 signals, which exhibit high levels of randomness and uncertainty, entropy serves as an effective means to quantify their inherent information content.
微分熵是一种衡量连续随机变量复杂程度的指标，在信号处理领域具有重要应用价值。对于脑电信号序列而言，在特定频段中计算其微分熵实际上等同于求取该频段能量谱值的对数值。引入对数运算有助于缩小高频与低频能量特征值之间的差异幅度，在一定程度上能够削弱由于能量悬殊分布所带来的计算误差问题。因此相较于直接使用傅里叶变换获得的能量谱特征序列，在后续数据处理过程中基于微分熵特征输入的方法能够更好地降低由能量差异所带来的计算误差
2.3 基于小波包分析的 DBN
小波包分解（Wavelet Packet Decomposition, WPD）是在 Wavelet Transform (WT) 的基础上发展起来的一种分析方法。它解决了 WT 在高频段频率分辨率不足和低频段时间分辨率不足的问题，并能够对中、高频信号进行更优的时频局部化分析以及更高精度的时频分析结果。同时沿袭了 WT 的优点，并根据被分析信号的具体特点自适应地选择合适的频带与之匹配。
小波包分析方法通过多次迭代对原信号实施多尺度的小波包分解，并对其高频与低频信息分别进行分解。选择适当的基函数及其标度因子是成功提取有效脑电特征的关键；通常需要根据实验结果不断优化。其可以通过取小波系数绝对值的对数以及计算其均值与方差等方式获取特征；同样可从不同标度的能量特性入手，并将其用于DBN模型中。
该研究团队开发了一种频域深度信念网络（FDBN），用于完成运动意象（MI）任务的识别过程。该模型通过结合快速傅里叶变换（FFT）和广义波形分解（WPD）的方法提取EEG信号的频域特征，并将这些特征作为深度信念网络（DBN）的学习输入数据。实验结果表明，在与传统方法相比,FDBN在完成同一被试者不同会话之间的MI-EEG信号识别任务时展现出明显优于传统方法的优势
３
基于循环神经网络的运动想象脑电识别方法****
3.1 循环神经网络
3.1.1 循环神经网络概述
在传统的神经网络架构中，默认设置下的人工智能系统通常通过输入层→隐藏层→输出层的顺序进行信息传递。这种设计特点使得各层之间的节点彼此之间没有直接连接，并且无法保存任何中间状态信息。相比之下，在循环神经网络（Recurrent Neural Network, RNN）体系中，默认设置被重新定义为一种通过建立循环连接实现信息持续传递的独特结构。这种体系能够使每次输出不仅包含当前输入的信息，并且会保留用于影响后续计算的状态。由于这种特性，在实际应用中将 RNN 技术引入脑电分析识别任务能够取得较好的效果：一方面，在预处理阶段能够显著提升 EEG 信号的质量；另一方面，在不需要假设待滤波信号中的噪声特性的情况下仍能有效提取脑电信号的相关特征信息。因此，在实际应用中选择 RNN 技术来处理 EEG 数据是一种非常合理的选择策略。
3.1.2 长短时记忆神经网络
在1991年,Hochreiter等人发现了RNN存在长期依赖问题.当处理长序列数据时,RNN模型往往面临梯度消失与梯度爆炸的问题.针对这一挑战,Hochreiter等人提出了一种新型循环网络结构,即长短时记忆(LSTM)神经网络.该结构在传统RNN基础上增加了门单元机制,具体包括遗忘门、输入门和输出门.构建一个LSTM单元通常包括以下几个关键步骤:(1)通过遗忘门将当前输入与前一层输出中的信息 selectively遗忘;(2)输入门使用sigmoid激活函数来确定哪些信息需要被更新,并结合tanh层生成新内容;(3)将新的细胞状态与旧的状态进行合并;(4)输出门根据细胞状态筛选出需要输出的信息.这种机制使得LSTM能够选择性地存储和遗忘信息,从而实现了高效的长时记忆功能.研究者Leon-Urbano等人利用MLP和LSTM模型对人类手部运动想象任务进行了分类实验,结果表明LSTM在性能上优于传统方法.此外,Wang等研究者提出了基于一维聚合近似(1d-AX)提取脑电信号特征的新方法,并在此基础上构建了AX-LSTM模型,取得了较为优异的效果.
3.2 BLSTM
1997 年, Schuster 等人首次提出了一种具有深度结构的双向递归神经网络（Bidirectional RNN, BRNN）。该网络能够分别在正向和反向时间序列上进行训练,并同时优化相应的目标函数,从而准确地捕捉到输入数据的前后文信息。而双向和门单元的独特特性显著提升了 RNN 的学习能力。在此研究的基础上, Graves 等人于 2005 年构建了一种新型的双向长短时记忆网络（Bidirectional LSTM, BLSTM）。这种模型通过融合门机制 LSTM 和传统 BRNN 架构,实现了对长时依赖关系的有效建模,从而进一步增强了 RNN 在复杂序列学习任务中的性能。
BLSTM通过从前后两个时间维度对信号进行深入分析并整合相应的特征向量来识别 EEG 信号的状态特性。这种结构设计不仅显著提高了在线系统的感知能力，在准确捕捉运动想象事件的发生起始点和终止点方面表现优异。Sridhar 等人成功实现了基于 BLSTM 的左右手运动想象任务分类系统，并获得了令人满意的实验结果。Ma 等人则创新性地采用了标准 LSTM 和 BLSTM 的多路网络架构来学习 EEG 信号的空间时序信息，在数据资源有限的情况下展现出更强的学习泛化性能。
3.3 基于共空间模式的 LSTM
利用空间滤波技术的深度学习方法通过识别EEG信号间的差异特征作为神经网络的输入数据。最常用的方法是在解决脑机接口任务时应用共空间模式（CSP）。
本研究团队开发了一种结合CSP和LSTM网络以实现MI任务分类的新模型。该模型的主要工作流程包括使用滑动窗口从经过空间滤波的数据中提取时间序列序列，并将此序列作为LSTM网络的输入。脑电信号中通常会包含与任务无关的一些噪声以及其他非任务相关的活动（如眼动和肌电信号等）。这些干扰因素对MI任务精确分类的影响较为显著。然而，在处理含有不同来源干扰因素的任务时，该研究方法在处理含有不同来源干扰因素的任务时展现出高效且可靠的实时分类性能。
CSP 是一种监督学习方法，在本研究中被应用于分析脑电信号特征。其核心在于通过线性变换将高维度的空间映射至低维子空间，并在此过程中寻求最佳变换矩阵以最大化两类信号间的方差差异。具体而言，在每组训练样本上计算其平均协方差矩阵后，在公共空间中执行主成分分析（PCA）并施加白化处理以消除维度冗余，并对生成的白化矩阵施加于两类信号的平均协方差矩阵上以优化分类性能。随后通过主成分分析获得公共特征权重矩阵W，并基于此构建投影矩阵用于提取原始信号的空间特征表示。对于测试集而言，在公共空间滤波器作用下不仅实现了类内散度最小化、类间散度最大化的目标，并且进一步增强了各分类条件下的特征区分度。此外，在现有的二分类框架基础上可采用近似联合对角化方法扩展至多分类场景下的CSP建模过程
４
混合型网络
单一深度学习模型无法满足全面分析 EEG 信号的需求。除了与其他方法相结合外, 这三大深度学习算法之间也存在一定程度上的结合, 进而更有效地完成 EEG 信号分析的任务。在 MI 的分类识别任务中, CNN 和 RNN 是实际应用中被广泛采用的主流网络架构类型。因此, 在设计用于 MI 任务分类识别的混合深度学习网络时, 常见的做法是将 CNN 和 RNN 结合使用。其中, CNN 负责从高维空间中提取特征信息, 而 RNN 则专注于捕捉脑电信号的时间特性, 两者的协作使它们能够整合时间和空间特征信息, 最终实现对脑电信号特征的有效提取。研究者 Yang 等人提出了一种基于 RNN-LSTM 和 CNN 的并行特征学习方法, 其通过捕获MI脑电信号的空间依赖性和时频谱依赖性, 进一步提升了不同主题下 MI 的分类精度。Garcia-Moreno 等人则开发了一种基于 CNN 和 LSTM 的深度分类器用于左手与右手 MI 的区分任务; Li 等人则深入探讨了 CNN-RNN 混合架构的优化设计与参数配置问题; 最后,Zhang 等人提出了一个融合了3DCNN、LSTM 和 Deep Q-Network（DQN）的新混合网络框架:该框架通过3DCNN保留局部时空特征、RNN提取全局时间信息等方式多角度描绘脑电信号特性; 最终通过 DQN 进行模糊积分优化以提升性能指标; 实验结果表明该模型在公开数据集上表现优异
５
结 语
随着深度学习技术在多个领域展现出显著成效，在神经电信号分析识别任务中也面临着重要的研究挑战与机遇。当前研究已逐步发展出一系列基于神经信号特征提取的方法框架，并且将深度学习技术作为主要工具之一进行深入探索和应用。
本文探讨了目前广泛使用的三种深度学习体系结构在脑电分析中的应用情况。针对脑电数据特性（包括数据量小、背景噪声大、随机性强及个体间差异显著）带来的挑战性问题，在近年来的研究中逐渐形成了将这些体系结构与传统特征提取方法相结合的创新思路。该研究综述了基于多尺度特征融合模型在脑电信号识别领域的最新研究进展，并对不同深度学习模型进行优化组合的混合型网络架构进行了深入分析和讨论。
多种深度学习模型间的协同融合已成为分析脑电信号并实现其识别的一项新兴研究方向；其中许多研究者倾向于构建一种基于CNN与RNN联合设计的混合型神经网络架构；这一架构并非简单地采用线性叠加的方式而是采用了更为复杂的并联构造模式；随着深度学习技术的发展 在EEG信号分类与识别方面的应用正逐步转向利用时频空多尺度特征提取的方法；目前的研究大多未充分考虑EEG信号的高度异质性及其在不同会话或设备环境下的变化特征；对此 在未来的研究中需要重点探索如何有效应对这些跨域挑战