摘要：脑电信号具有非平稳性强、信噪比低和个体差异明显等特点，使脑机接口中的运动想象分类较为困难。针对这一问题，本文以标准运动想象脑电数据集为对象，研究基于卷积神经网络的脑电信号分类及可解释性分析，以提高分类自动化水平并增强模型判别的可解释性。
项目简介
本项目基于卷积神经网络实现脑电信号分类，并结合可解释性分析方法对模型判别过程进行研究。
系统概述
脑电信号具有非平稳性强、信噪比低和个体差异明显等特点，给脑机接口中的运动想象分类任务带来了较大困难。围绕脑电信号自动分类问题，本文以标准运动想象脑电数据集为研究对象，开展基于卷积神经网络的脑电信号分类及可解释性分析研究，旨在提高脑电分类过程的自动化程度，并为模型判别依据提供直观解释。
在方法上，本文首先对原始脑电信号进行通道筛选、试次切分、8--30 Hz 频带滤波和标准化处理，构建适用于卷积神经网络输入的样本数据。在模型设计上，选取 EEGNet 和 ShallowConvNet 两种典型卷积神经网络进行四分类实验，并以准确率、平衡准确率和混淆矩阵作为主要评价指标。同时，采用基于梯度的显著性分析方 法，对训练后的模型进行可解释性研究，生成通道重要性图和时空热力图。
实验结果表明，ShallowConvNet 在验证集上的平衡准确率略高于 EEGNet，但在测试集上的泛化能力弱于 EEGNet。其中，EEGNet 在测试集上取得了 0.4394 的准确率和 0.4394 的平衡准确率，整体表现更稳定，因此被选为本文最终分类模型。可解释性分析结果表 明，模型在分类过程中能够关注到具有判别意义的脑电通道与时间区域。研究结果说明，基于 CNN 的方法能够实现运动想象脑电信号的有效分类，并为脑电分类模型的可解释性研究提供了实验基础。
系统架构
本系统整体采用"数据预处理---模型训练---结果评估---可解释性分析"的架构设计。首先，对脑电数据进行通道筛选、试次切分、频带滤波 和标准化处理，构建模型输入样本；随后，分别将处理后的数据输入 EEGNet 和 ShallowConvNet 模型进行训练与分类；在模型训练完成后，通过准确率、平衡准确率和混淆矩阵对分类性能进行评估；最后，基于梯度显著性方法生成 通道重要性图和时空热力图，对模型分类依据进行可解释性分析，从而形成一个完整的脑电信号分类与分析流程。
快速开始
先运行 run_compare.py 完成训练、测试和结果分析，再运行 run_interpret.py 生成可解释性图。
环境要求
需要安装并使用 Python 3.12 的虚拟环境，且环境中已具备 torch、mne、numpy、scipy 和 matplotlib。
结果展示
运行 run_compare.py
图1 EEGNet训练曲线图
图2 ShallowConvNet训练曲线图
图3 EEGNet混淆矩阵图
图4 ShallowConvNet混淆矩阵图
图5 模型分类性能对比图
图6 模型可解释性热力图
图7 脑电通道重要性图
结果点评
本项目完成了脑电信号分类与可解释性分析的完整实现，数据预处理、模型训练、性能评估和结果可视化流程均已跑通。实验结果表明 ，EEGNet 在测试集上的准确率和平衡准确率均为 0.4394，整体表现略优于 ShallowConvNet，说明 EEGNet 在当前数据集上具有更稳定的泛化能力。虽然分类精度仍有进一步提升空间，但项目已经形成了完整、可复现的实验框架，并输出了训练曲线、混淆矩阵和可解释性热力图等结果，能够较好支撑本科毕业设计的实现与分析要求。
项目资源
包括完整的项目源代码、演示视频、运行截图，开箱即用。
关于项目
作者信息
作者：Bob (张家梁)
原创声明：本项目为原创作品