EEG pattern recognition is an important part of motor imagery- (MI-) based brain computer interface (BCI) system. Traditional EEG pattern recognition algorithm usually includes two steps, namely, feature extraction and feature classification. In feature extraction, common spatial pattern (CSP) is one of the most frequently used algorithms. However, in order to extract the optimal CSP features, prior knowledge and complex parameter adjustment are often required. Convolutional neural network (CNN) is one of the most popular deep learning models at present. Within CNN, feature learning and pattern classification are carried out simultaneously during the procedure of iterative updating of network parameters; thus, it can remove the complicated manual feature engineering. In this paper, we propose a novel deep learning methodology which can be used for spatial-frequency feature learning and classification of motor imagery EEG. Specifically, a multilayer CNN model is designed according to the spatial-frequency characteristics of MI EEG signals. An experimental study is carried out on two MI EEG datasets (BCI competition III dataset IVa and a self-collected right index finger MI dataset) to validate the effectiveness of our algorithm in comparison with several closely related competing methods. Superior classification performance indicates that our proposed method is a promising pattern recognition algorithm for MI-based BCI system.

中文翻译：

---

基于深度卷积神经网络的运动图像脑电信号时空特征学习与分类。

脑电模式识别是基于运动图像（MI）的脑计算机接口（BCI）系统的重要组成部分。传统的脑电模式识别算法通常包括两个步骤，即特征提取和特征分类。在特征提取中，公共空间模式（CSP）是最常用的算法之一。但是，为了提取最佳的CSP功能，通常需要先验知识和复杂的参数调整。卷积神经网络（CNN）是目前最受欢迎的深度学习模型之一。在CNN中，网络参数的迭代更新过程中同时进行特征学习和模式分类；因此，它可以消除复杂的手动特征工程。在本文中，我们提出了一种新颖的深度学习方法，可用于空间频率特征学习和运动图像脑电图的分类。具体而言，根据MI EEG信号的空间频率特性设计了多层CNN模型。在两个MI EEG数据集（BCI竞赛III数据集IVa和一个自收集的右手食指MI数据集）上进行了实验研究，以验证我们的算法与几种紧密相关的竞争方法相比的有效性。优异的分类性能表明，我们提出的方法是一种有前途的模式识别算法，用于基于MI的BCI系统。在两个MI EEG数据集（BCI竞赛III数据集IVa和一个自收集的右手食指MI数据集）上进行了实验研究，以验证我们的算法与几种紧密相关的竞争方法相比的有效性。优异的分类性能表明，我们提出的方法是一种有前途的模式识别算法，用于基于MI的BCI系统。在两个MI EEG数据集（BCI竞赛III数据集IVa和一个自收集的右手食指MI数据集）上进行了实验研究，以验证我们的算法与几种紧密相关的竞争方法相比的有效性。优异的分类性能表明，我们提出的方法是一种有前途的模式识别算法，用于基于MI的BCI系统。