基于脑电信号的AI-BCI轮椅进阶：运动想象的深度学习混合模型
机器学习
2026-04-14 v2 人工智能
人机交互
摘要
本文提出了一种集成人工智能（AI）的方法，用于开发基于脑电信号（EEG）的脑机接口（BCI）轮椅，采用运动想象左右手 movement 机制进行控制。该系统旨在模拟基于运动想象右手和左手 movement 的轮椅导航。从开源EEG存储库获取的预过滤数据被分割为19x200的数组，以捕捉手 movement 的发生。数据以200Hz的采样频率获取。该系统集成了一个基于Tkinter的界面，用于模拟轮椅运动，为用户提供了功能直观的控制系统。我们提出了一个框架，使用卷积神经网络-Transformer混合模型（CTHM）进行运动想象EEG分类。该模型在various machine learning baseline模型（包括XGBoost、EEGNet和基于Transformer的模型）之上的测试准确率达91.73%。CTHM通过分层交叉验证实现了90%的平均准确率，展示了CNN-Transformer混合架构在BCI应用中的有效性。
引用
@article{arxiv.2509.25667,
title = {EEG-based AI-BCI Wheelchair Advancement: Hybrid Deep Learning with Motor Imagery for Brain Computer Interface},
author = {Bipul Thapa and Biplov Paneru and Bishwash Paneru and Khem Narayan Poudyal},
journal= {arXiv preprint arXiv:2509.25667},
year = {2026}
}