----（本文由思影科技学习参考后得出）        

脑机接口（BCI）中运动想象脑电图（MI-EEG）是最常见的BCI范式之一，已经广泛应用于只能医疗，如中风后康复和移动辅助机器人。近年来，深度学习（DL）对基于MI-EEG的BCI产生了巨大影响。

        争对基于DL的MI分类提出了三个主要问题：

        （1）基于DL的技术是否需要预处理？

        （2）哪些输入构建最适合基于DL的技术

        （3）基于DL的技术的当前趋势是什么？

脑电图（EEG）传感器测量来自人脑的生物测量数据，这些数据可以被解码以理解潜在的身体和心理状态，然后用于进一步提高生活质量。与一般的只能医疗传感器不同，EEG脑信号被智能医疗系统以两种方式利用：

        一是导入与医疗相关的信息，即感知。

        二是与物理世界互动，即控制，使用智能设备如轮椅或外骨骼。

传统的机器学习方式已被广泛用于分类MI-EEG数据。

传统方法通常包括三个主要步骤来处理MI-EEG信号：预处理、特征提取和分类。

预处理包括多个操作：如通道选择（选择对MI任务最有价值的EEG通道）、信号过滤（选择对MI任务最优价值的频率范围、信号归一化（在时间轴上归一化每个EEG通道）和伪迹去除（从MI-EEG中去除噪声））

其中，伪迹去除最常用的方法是独立成分分析（ICA）。

特征提取，从高维EEG信号中提取与任务相关的MI特征。

MI特征分为三类，取决于数据处理的领域：时间特征、频谱特征和空间特征。

时间特征在不同时间点或不同时间段的时间域中提取，如均值、方差、Hjorth参数和偏度。

频谱特征包括频率域特征，如功率谱密度(PSD)和快速傅里叶变换（FFT）还有时频特征，如短时傅里叶变换（STFT）和小波变换（WT）

空间特征旨在识别头皮上特定电极位置，如共同空间模式（CSPs）。CSP是MI-EEG数据最常见的特征提取方法。

一些研究人员试图扩展和改进CSP方法。稀疏CSP使用正则化特征为CSP值增加稀疏性。静态CSP、发散CSP和概率CSP是一些尝试增强CSP功能的其他技术。滤波器组CSP（FBCSP）[23]是CSP方法的另一个扩展版本，它使用EEG通道中的空间信息以及MI-EEG信号中的频率数据。FBCSP（滤波器组公共空间模式）在MI分类中表现出了所有依赖手动特征提取的其他方法中最好的性能。在分类阶段，使用了多种分类器来将提取的MI特征分类为不同的MI任务，如朴素贝叶斯分类器、线性判别分析（LDA、支持向量机（SVM）和极限学习机（ELM）。

目前的面临的问题

        EEG信号容易受到许多噪声源的影响，包括生物伪迹（例如，心跳、眨眼、舌头和肌肉运动、注意力水平、呼吸和疲劳）、电子设备（例如，无线设备、手机和电脑）以及环境噪声（例如，声音和照明）。

        这些伪迹，加上通道相关性、受试者依赖性以及EEG信号的高维性，使得大脑信号的解释和分类成为一项困难的任务。因此，开发一个更稳定、更通用的MI-EEG BCI框架至关重要，它可以在各种场景中运行，并能从具有挑战性的MI-EEG数据中自动提取独特特征。

        其次，EEG信号的信噪比（SNR）非常低，具有时间依赖的协变量，并且是非平稳的。

由于传统预处理和特征提取方法的时间复杂性，以及信息丢失的可能性，低SNR问题不容易通过传统的MI-EEG分类方法解决。

        第三，特征提取强烈依赖于特定领域的人类经验。例如，基本的生物学知识对于通过EEG信号分析MI任务的状态至关重要。需要一种自动化的提取方法。

现状分析

        在过去的五年中，深度学习(DL)方法已被用于解决分类MI-EEG信号。与传统的机器学习方法不同，DL可以使用深层架构从原始MI-EEG数据中自动学习高级和潜在的复杂特征，同时消除了预处理和耗时特征提取的需求。