基于3D-CNN与LSTM注意力网络的运动想象脑电信号分类方法及其康复应用

为解决运动想象脑电信号(MI-EEG)分类精度与鲁棒性不足的难题，研究人员创新性提出融合3D卷积神经网络(3D-CNN)和长短期记忆网络(LSTM)的3D-CLMI方法。该方法通过多尺度3D卷积核并行提取时空特征，在BCI Competition IV 2a数据集上取得92.7%准确率，并成功开发VR康复系统辅助手部运动功能障碍患者。

　　

在脑机接口(BCI)研究领域，运动想象脑电信号(MI-EEG)的分类始终面临精度与稳定性的双重挑战。这项突破性研究构建了名为3D-CLMI的创新框架，巧妙地将三维卷积神经网络(3D-CNN)和带有注意力机制的长短期记忆网络(LSTM)组合成并行架构。研究团队别出心裁地将多通道EEG信号重构为立体特征矩阵，利用不同尺度的3D卷积核进行空间特征挖掘，同时通过LSTM模块精准捕捉时间动态特性。

实验数据令人振奋：在权威的BCI Competition IV 2a四分类任务中，该模型以92.7%的准确率和0.91的F₁-score刷新了记录。更引人注目的是，团队招募12名受试者构建临床数据集时，该系统依然保持最优性能。通过精心设计的消融实验，研究人员证实了3D卷积模块和LSTM时序模块的协同增效作用。

这项研究的真正亮点在于其临床转化价值——基于该算法开发的虚拟现实(VR)康复训练系统，已初步证实可有效改善手部运动功能障碍患者的康复效果。这种将深度学习与康复医学相结合的创新尝试，为脑机接口技术的临床应用开辟了新途径。