脑机接口是研究大脑结构和功能的重要手段之一，可以通过脑电信号将人 类大脑与外部计算机设备相连接，从而解析大脑活动、推测大脑意图。基于运动 想象的脑机接口是一种十分重要的设备，它可以帮助使用者通过想象身体某一 部位的运动来实现对外部设备的控制，在医疗、娱乐领域都有着巨大的应用价值 和发展潜力，正逐渐吸引大家的关注。

      运动想象脑机接口是一系列软件、硬件的结合，完整的工作流程涉及多个环 节，其中最为重要的部分是脑电信号的特征提取与分类。脑电信号分类准确与 否直接影响着脑机接口的性能，故本文针对这一问题，在受试者相关模式脑电 信号分类算法研究的基础上，展开对受试者无关模式脑电信号分类算法的研究， 并实际采集运动想象脑电数据对所提出的算法进行验证，具体研究内容如下： 

     1. 由于脑电信号具有空间域及时间域特征，本文提出基于 Transformer 的模 型 CCTNet 来对受试者相关下的脑电信号进行分类。CCTNet 使用共空间模式、 多层卷积神经网络和 Transformer 逐步提取脑电信号的空间域特征和时间域特 征。在四分类运动想象脑电数据集 BCIC IV 2a 上，CCTNet 对 9 位受试者的分类 准确率最高达到 93.1%，与其他两种常用的网络结构相比，平均分类准确率高出 3.81% 和 6.13%。 

      2. 根据不同受试者在采集脑电信号时，电极在大脑上的位置保持一致这一 特点，本文提出基于图卷积神经网络的模型 GCCTN 来对受试者无关下的脑电信 号进行分类。GCCTN 将脑电数据按照电极的位置抽象成为一幅图后，首先通过图 卷积神经网络提取不同电极之间的关系，然后利用卷积神经网络和 Transformer 提取空间域和时间域特征。在四分类运动想象脑电数据集 BCIC IV 2a 上，GCCTN 对 9 位受试者的分类准确率最高达到 67.53%，平均准确率与其他方法相比提高 了 3.14%-33.46%，准确率标准差只有 1.01%。 

     3. 本文使用 8 通道脑电信号采集设备 OpenBCI，采集真实环境下 3 位受试 者的运动想象脑电数据，通过滤波去除脑电信号中的伪影，并在此数据集上验证 了所提模型 CCTNet 和 GCCTN 的有效性。此外本文利用离线训练好的 CCTNet 模型，基于多线程和环形缓冲区开发了实时脑机接口系统，并将其用于游戏的控 制。

请输入中文摘要