基于书写笔画运动想象范式的多字符脑电分类系统设计与实现：一种增强神经可分离性的轨迹优化方法

本文创新性地设计了一种基于书写笔画运动想象（MI）的脑机接口（BCI）多字符分类框架。通过最大化欧氏距离轨迹优化提升五类笔画神经信号可分离性，结合集成经验模态分解（EEMD）去噪和核主成分分析（KPCA）特征降维，采用门控循环单元（GRU）模型实现84.77%的平均分类准确率，显著扩展了传统MI-BCI的可区分指令集，为运动功能障碍患者提供了更高效的通信解决方案。

　　

Highlight

基于EEMD-KPCA-GRU的笔画解码模型基础原理

循环神经网络（RNN）作为脑电信号时序特征提取的经典模型，在反向传播过程中易出现梯度消失/爆炸问题。门控循环单元（GRU）通过引入更新门和重置门机制，有效控制跨时间步信息流。更新门决定历史信息的保留比例，重置门筛选与当前状态相关的历史特征，二者协同作用显著提升模型对长程依赖关系的建模能力，为复杂运动想象（MI）脑电图（EEG）信号的动态解码提供关键技术支撑。

实验实施

采用小批量训练策略（batch size=32）和Adam优化器（初始学习率0.001），配合动态学习率衰减机制（每50轮衰减系数0.65）。早停策略（patience=15轮）有效防止过拟合，交叉验证确保模型泛化性。实验设备配置NVIDIA RTX 3090显卡和PyTorch框架，有效加速GRU网络的训练过程。

结论

本研究提出的多特征分类框架通过创新笔画运动想象范式，利用书写轨迹欧氏距离增强神经可分离性，结合EEMD-KPCA特征提取与GRU时序建模，实现了对11类MI任务（含5种汉字笔画）的精准分类（84.77% vs 基线76.83%），为扩展BCI指令集和提升瘫痪患者通信效率提供了新思路。