PAGE\*MERGEFORMATIIPAGE\*MERGEFORMAT1摘要脑机接口是人工智能的一项重要内容，也是一种全新的大脑与计算机通讯的方式，具有改变人机交互方式的巨大价值。近年来对于脑电信号的研究越来越成熟，许多方法被应用于对运动想象中的脑电信号进行分类。然而卷积神经网络作为一门新兴起的技术，在该领域上应用还比较少。本文探究了卷积神经网络在运动想象脑电信号分类上的应用。主要使用脑机接口竞赛IV2b数据集，探索运动想象脑电信号分类任务。首先查阅了近年来的众多脑电信号分类模型，对于传统机器学习的方法和深度学习的方法进行了分析，然后在实用卷积神经网络的基础上，加入深度可分离卷积构建了一个轻量级的卷积神经网络，使用该模型将相关运动想象信息从脑电信号中提取出来，并由此对脑电信号中的时频域特征进行进一步的理解,最后给出了模型进一步改进的思路。本文研究表明，在对该数据集的运动想象脑电信号做二分类时，本文所提出的卷积神经网络模型分类准确率为92.9%，信息传输率能达到27.03比特每分钟，取得了较好的效果。因此卷积神经网络能够对脑电信号的时频域特征做到很好的解码和分类。关键词：脑机接口；卷积神经网络；脑电信号；解码ABSTRACTThebrain-computerinterfaceisanimportantcontentofartificialintelligence,andalsoabrand-newwayofbrain-computercommunication,whichhasgreatvalueinchangingthewayofhuman-computerinteraction.Inrecentyears,researchonEEGsignalshasbecomemoreandmoremature,andmanymethodshavebeenappliedtoclassifyEEGsignalsinmotorimagination.However,asanewtechnology,convolutionalneuralnetwork（CNN）isstillrelativelyfewinthisapplication.ThisarticleexplorestheapplicationofconvolutionalneuralnetworksintheclassificationofmotorimagingEEGsignals.MainlyusetheBCIcompetitionIV2bdatasettoexplorethetaskofmotorimagingEEGsignalclassification.FirstIconsultedmanyEEGsignalclassificationmodelsinrecentyears,thenIanalyzedthetraditionalmachinelearningmethodanddeeplearningmethod.Inaddition,onthebasisofpracticalCNN,addingthedepthwiseseparableconvolutiontobuildalightweightCNN,usingthismodeltoextractscorrelaterelevantmotionimaginationinformationfromtheEEGsignals,andthustofurtherunderstandthetime-frequencydomainfeaturesintheEEGsignals,finallygivetheideaoffurtherimprovementofthemodel.TheresearchinthispapershowsthatwhenthemotorimagingEEGsignalsofthisdatasetareclassifiedintotwocategories,theclassificationaccuracyoftheCNNmodelproposedinthispaperis92.9%,andtheinformationtransmissionratecanreach27.03bitsperminute.Achievedgoodresults.Therefore,theCNNcandecodeandclassifytheEEGsignalsinthetime-frequencydomain.Keywords：Brain-ComputerInterfaces；CNN；EEG；decoder目录TOC\o"1-3"\h\z\uHYPERLINK\l"_Toc3