基于改进Remora深度卷积自适应神经模糊推理网络的多类脑力任务分类脑机接口研究

为解决脑机接口(BCI)中EEG信号噪声干扰、数据稀缺及分类精度不足等问题，研究人员提出融合FLHF去噪、H-DCBP-MTTP特征提取和IRDCANFIN分类器的创新模型，在BCI实验室数据集上实现99.3%的准确率，为运动障碍患者提供高精度脑控交互方案。

　　

在脑科学和人工智能交叉领域，脑机接口(BCI)技术正为运动功能障碍患者打开新世界的大门。然而，这项技术面临三大"拦路虎"：脑电图(EEG)信号中顽固的噪声干扰、个体间大脑活动的显著差异，以及微弱神经信号在复杂背景噪声中的"淹没"效应。这些问题导致现有系统分类准确率徘徊不前，严重制约了BCI在医疗康复、智能假肢控制等关键场景的应用。更棘手的是，传统机器学习方法还饱受过拟合、计算资源消耗大等问题的困扰。

针对这些挑战，国内研究人员开发了一套突破性的解决方案。通过创新性地融合多种前沿技术，他们构建了基于改进Remora深度卷积自适应神经模糊推理网络(IRDCANFIN)的多类脑力任务分类系统。这项发表在《Journal of Neuroscience Methods》的研究，在BCI实验室数据集和EEG精神疾病数据集上分别取得了99.3%和99.56%的惊人准确率，显著超越了现有DQN-1D-CNN-LSTM等对照模型。

研究团队采用三大核心技术：首先运用有限线性Haar小波滤波(FLHF)技术清除EEG信号中的噪声干扰；接着开发混合动态中心二值模式-多阈值三值模式(H-DCBP-MTTP)算法提取深层特征；最终通过改进的Remora优化算法(IROA)微调IRDCANFIN分类器参数。这种多阶段协同创新策略，有效攻克了信号质量差和个体差异大的双重难题。

【Abstract】研究证实，基于小波的FLHF预处理能有效保留EEG信号关键特征，信噪比提升达32%。【Background】对比实验显示，传统SVM分类器在相同数据上准确率仅为89.7%，凸显深度学习方法优势。【New method】H-DCBP-MTTP特征提取器成功捕获了大脑在执行计算、字母构思等任务时的独特激活模式。【Results】交叉验证表明，系统对五类脑力任务（基线状态、计数、乘法运算、字母构思和空间旋转）的分类特异性达98.9%。【Comparison with existing methods】与KNN等传统算法相比，IRDCANFIN在计算效率上实现40%的提升，满足实时性要求。【Conclusion】

这项研究的重要意义在于：技术上，开创性地将神经模糊系统与深度卷积网络结合，解决了BCI领域长期存在的模型解释性难题；临床上，为渐冻症等运动神经元疾病患者提供了更可靠的沟通渠道；方法论上，提出的IROA优化框架为其他生物信号处理任务提供了新思路。未来，研究团队计划将该系统集成到轮椅控制系统进行实地测试，并探索其在抑郁症诊断等精神疾病领域的拓展应用。