摘要：脑电信号具有非平稳性强、信噪比低和个体差异明显等特点，使脑机接口中的运动想象分类较为困难。针对这一问题，本文以标准运动想象脑电数据集为对象，研究基于卷积神经网络的脑电信号分类及可解释性分析，以提高分类自动化水平并增强模型判别的可解释性。

论文概述

脑电信号具有非平稳性强、信噪比低和个体差异明显等特点，给脑机接口中的运动想象分类任务带来了较大困难。围绕脑电信号自动分类问题，本文以标准运动想象脑电数据集为研究对象，开展基于卷积神经网络的脑电信号分类及可解释性分析研究，旨在提高脑电分类过程的自动化程度，并为模型判别依据提供直观解释。

在方法上，本文首先对原始脑电信号进行通道筛选、试次切分、8–30 Hz 频带滤波和标准化处理，构建适用于卷积神经网络输入的样本数据。在模型设计上，选取 EEGNet 和 ShallowConvNet 两种典型卷积神经网络进行四分类实验，并以准确率、平衡准确率和混淆矩阵作为主要评价指标。同时，采用基于梯度的显著性分析方 法，对训练后的模型进行可解释性研究，生成通道重要性图和时空热力图。

实验结果表明，ShallowConvNet 在验证集上的平衡准确率略高于 EEGNet，但在测试集上的泛化能力弱于 EEGNet。其中，EEGNet 在测试集上取得了 0.4394 的准确率和 0.4394 的平衡准确率，整体表现更稳定，因此被选为本文最终分类模型。可解释性分析结果表 明，模型在分类过程中能够关注到具有判别意义的脑电通道与时间区域。研究结果说明，基于 CNN 的方法能够实现运动想象脑电信号的有效分类，并为脑电分类模型的可解释性研究提供了实验基础。

统计信息

论文目录

配套项目

项目代码：基于卷积神经网络(CNN)的脑电信号分类及可解释性分析 需要另外购买。

作者信息

作者：Bob (张家梁)
论文编号：Doc-37
原创声明：本项目为原创作品

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。

版权声明：本站除特别标注外的所有源码与资料均为原创，受《中华人民共和国著作权法》等相关法律保护。未经本站事先书面许可，任何个人或机构不得以复制、转载、爬取、汇编、改写、引用等方式使用本站内容，不得将本站内容发布或用于任何形式的商业活动。对未经授权使用本站内容的行为，本站保留追究法律责任的权利，包括但不限于要求删除、赔偿、诉讼等。如认为本站内容侵犯其合法权益，请提供权属证明并联系我们，我们将在核实后依法及时处理。