一种基于改进GAF的运动想象脑电信号识别方法

本发明提出了一种基于改进格拉姆角场与混合深度学习模型的脑电信号分类方法及系统，属于脑‑机接口与人工智能交叉技术领域。所述方法包括：通过改进的格拉姆角场算法将一维脑电信号转换为具有增强时空特征的二维图像；构建基于卷积神经网络与长短期记忆网络的混合模型，用于提取图像的局部特征与时序依赖关系；引入马氏距离加权机制优化特征编码过程，提升非线性信息保留能力；设计多频段融合策略与通道选择方法，增强模型对运动想象任务的适应性和分类识别准确率。在BCI Competition IV 2a数据集S3受试者实验中，本发明的分类准确率达94.2％，较传统GAF‑CNN‑LSTM模型提升4.7个百分点。本发明解决了现有技术中脑电信号特征丢失、时序建模不足及小样本泛化能力差的问题，为医疗康复与人机交互提供了高效的处理方法。