基于分数阶同步压缩小波变换(FSSWT)的脑电信号时频特征提取新方法及其在运动想象分类中的应用

为解决传统时频分析方法中能量集中与频率分离的矛盾问题，研究人员提出分数阶同步压缩小波变换(FSSWT)技术。通过建立多频信号时频变换方程，该技术显著抑制运动想象脑电(MI-EEG)的模式混叠，同时保持高分辨率特性。实验表明，FSSWT-EEGDNN-ResNet模型对8名受试者MI-EEG信号分类准确率达95.17%，为脑机接口开发提供重要技术支撑。

　　

这项研究创新性地将分数阶同步压缩小波变换(Fractional Synchrosqueezing Wavelet Transform, FSSWT)引入脑电信号分析领域。针对运动想象脑电(Motor Imagery EEG, MI-EEG)分类精度提升的难题，研究团队建立了适用于多频信号的时频变换方程。通过合成信号和真实脑电信号的对比实验，发现该方法在保持^高分辨率特性的同时，能有效抑制模式混叠现象，其能量集中度和相关中间指标表现优异。特别值得注意的是，经FSSWT处理的八名受试者数据，结合深度神经网络(EEGDNN)和残差网络(ResNet)构建的混合模型，分类准确率突破95.17%大关，充分验证了该技术在脑电特征提取方面的卓越性能。这项突破为脑机接口系统的实用化发展提供了强有力的时频分析工具。