脑机接口是一种可以直接测量与用户意图相关的大脑活动,将其转换为控制信号,进而控制外部设备的系统。运动想象作为脑机接口的一种范式,它是人的一种想象运动意图而没有实际运动输出的思维方式,即大脑想象而不产生收缩肌肉的过程。研究表明,运动想象可以产生与真实运动相同的感知运动节律变化。在基于运动想象的脑机接口系统中,运动功能障碍患者通过想象特定的动作来控制外部设备完成康复训练。运动想象能持续刺激受损的运动皮质,使受损细胞周围的运动神经细胞重新活跃,从而部分恢复患者的运动功能。目前,深度学习算法在脑机接口系统中的特征提取和模式识别等领域受到广泛地关注。针对患者脑电信号采集的过程容易出现动作、精神不集中等问题和数据标注成本较高,影响大规模数据集的构建,深度学习算法的应用被限制。本文中,采用深度迁移学习方法来解决此问题,迁移学习的目的是将从一个任务中学习到的知识或模式应用到其他不同但相关的任务中。本文研究的具体内容如下:本文提出一种基于EEGNet模型的端到端模式的迁移学习方法来识别不同的运动想象任务。在个体内和个体间两种数据探讨深度迁移学习;使用多个卷积神经网络来解码脑卒中患者和健康受试者的脑电数据;引入迁移学习中的微调技术对模型进行改进,并将改进的模型用于脑电信号的特征提取和模式识别中;探讨各个神经网络模型的复杂度,得出EEGNet模型在降低算法复杂度的同时分类结果也得到提高,验证方案的有效性。同时,本文又提出一种基于VGG16模型的迁移学习方法来识别不同的运动想象任务。使用集合经验模态分解对脑电信号进行去噪处理;采用小波变化将三个通道的脑电信号转换成灰度时频特征图,作为预训练模型的输入;引入迁移学习技术对VGG16模型分类性能进行评估,此方案最终获得较好的分类结果;并且将提出的框架与支持向量机、梯度提升等传统分类器和原网络VGG16模型之间进行分类结果对比,效果最优。本文设计一种基于脑卒中患者的脑电范式。熟练掌握对脑电采集装备的使用,设计一套合理的实验采集方案,积累实验数据,为脑卒中患者的脑电信号分析和处理打好基础。