脑电信号是大脑在处理任务时,在对应工作区域由大量功能相似的脑细胞产生的有规律的电生理活动。将这些信号进行收集,传输到电脑端,经过处理输出的波状图像就是脑电图。脑机接口是一种可以实现人脑与外部世界直接交流的系统,利用此特性可以开发出大量智能设备应用在各个领域。运动想象是指没有实际的肢体动作,仅利用大脑意念想象肢体行为。运动想象脑电是一种内源性自发脑电,无需受外界刺激,只需人进行动作的想象即可使脑电波呈现出特异波形。这种技术具有简单、灵活、无创等优点。基于脑机接口的动作意图识别在研究中做出了大量尝试。根据对以往一系列研究工作的总结,当前脑电分析研究面临的挑战主要包括以下几个方面:其一,通过无创非侵入式BCI系统获取的脑电信号比来自有创侵入式设备的脑电信号具有更多的不可避免的噪声。在获取脑电波的过程中,总有一些其他的生理活动会影响到脑电波的记录。这些生理活动使得受试者在实验期间很难集中注意力完成特定的任务;其二,由于脑电信号的复杂性和高维性,其特征表示学习难以获得良好的学习效果,也难以实现整个学习过程的可视化;其三,脑电信号中存在的模糊信息使得对脑电信号与多意图之间关系的建模更加复杂,从而导致多意图分类的性能低下。本文构建了添加SENet注意力机制的可变形卷积网络脑电识别模型。首先,选取两种波形的脑电信号,并通过滤波的预处理得到它们,达到降噪的目的。然后使用时-空滑动窗口获取时间特征和空间特征,并通过能量图像映射完成可视化。接着在特征提取的网络中引入可变形的卷积神经网络,与传统卷积网络只能提取矩形框特征不同,它卷积的位置是可变形的,并非在传统的N×N的网格上做卷积,这样的好处就是更准确地提取到想要的特征;与此同时,引入SENet,增加所需特征的优先级,并排斥无关特征。最后,利用可变形卷积网络对获取的图像进行动作意图分类。实验表明,本文提出的模型对于不同数据集具有较好的分类稳定性和动作意图识别效率。