【机情无限 精彩毕设】机械2026届毕业设计（论文）中期检查优秀案例分享第三十八期——基于深度学习的节律运动想象解码方法研究与应用

学生姓名：侯成宇

班        级：机械（茅班）2022-01班

指导教师：宋兴国

毕设题目：基于深度学习的节律运动想象解码方法研究与应用

一、概况

1.选题意义

脑机接口（Brain-Computer Interface, BCI）技术是实现人脑与外部设备直接交互的重要途径，其中基于脑电信号（Electroencephalogram, EEG）的运动想象（Motor Imagery, MI）是BCI中常用的控制范式之一。传统的运动想象解码方法如滤波器组共空间模式（FBCSP）等在处理小样本、高噪声、个体差异大等问题时存在一定的局限性。近年来，深度学习在脑电信号解码中展现出强大的潜力，但其训练通常依赖大量标注数据，而脑电数据采集成本高、样本量有限，制约了其实际应用。

本毕业设计旨在结合神经质量模型（Neural Mass Model, NMM）与深度学习，利用NMM生成的合成脑电数据增强训练集，构建具有层次化结构的深度神经网络，提升模型在小样本条件下的泛化能力与可解释性。本研究不仅有对发展新一代脑机接口技术具有重要的意义，也为机械工程与神经科学、人工智能的跨学科融合提供新思路，具有重要的理论价值与工程应用前景。

2.任务分解

（1）神经质量模型理论基础学习与编程实现：系统学习神经质量模型的基本原理与数学描述，掌握其在脑电信号生成与溯源中的应用方法。完成对应仿真代码的编写与调试，实现基于NMM的合成脑电数据生成模块。

（2）层次化深度神经网络结构设计与实现：设计一种融合脑电溯源先验知识的层次化网络架构。完成网络的前向传播与反向传播实现，确保模块可嵌入NMM生成特征并进行端到端训练。

（3）数据准备、模型训练与交叉验证：收集并预处理真实运动想象脑电数据，结合NMM生成的合成数据构建混合训练集。使用混合数据集对网络进行训练，并数据上执行严格的5×5交叉验证，评估模型在不同受试者间的泛化能力。

（4）对比实验与统计性能分析：将所提方法与经典脑电解码方法（如FBCSP、EEGNet）在同一数据集上进行公平对比。设计多组实验，从分类准确率、鲁棒性、训练效率等维度进行全面评估，并进行统计学显著性检验，验证所提方法的优越性。

（5）结果可视化与毕业论文撰写：系统整理实验数据，绘制包括训练曲线、特征可视化、混淆矩阵、统计比较图等在内的分析图表。在此基础上，按照学术规范撰写毕业论文，完整阐述研究背景、方法设计、实验过程、结果分析与结论展望。

二、已完成工作

1. 完成课题相关文献阅读与综述，明确了研究目标、总体技术路线、评价指标及中期工作重点：在毕业设计前期，首先围绕运动想象脑电解码、脑机接口、神经质量模型以及深度学习在脑电信号处理中的应用等方向开展了较为系统的文献检索与阅读。通过查阅国内外相关论文、学位论文及公开数据集研究资料，梳理了运动想象解码领域从传统特征工程方法到深度学习方法的发展脉络，重点分析了FBCSP、EEGNet、CNN、LSTM等方法在运动想象任务中的优缺点。同时，对Jansen-Rit、Wendling 等神经质量模型的基本结构、动力学机理及其在脑电信号建模中的适用性进行了学习与整理，为后续模型设计和数据生成模块实现奠定了理论基础。通过这一阶段的工作，已初步明确本课题的研究目标、技术路线、实验评价指标及后续重点攻关方向。

2. 完成基于NMM的数据生成模块原型设计：输入真实EEG与前向模型，提取真实数据统计目标，利用Wendling NMM生成候选时空模式，并结合同类别真实载波进行调制重构，形成合成数据集，在完成文献调研的基础上，进一步结合课题任务书要求，对整体研究框架进行了设计与理论分析。本课题从“合成数据生成”和“深度学习解码”两条主线展开：一方面，基于神经质量模型构建能够体现运动想象相关节律特征的合成脑电数据生成流程；另一方面，设计兼顾脑电信号时序特征与空间特征的深度学习解码网络，用于完成运动想象任务分类。在理论分析阶段，重点考虑了运动想象脑电中μ/β节律变化的表现形式、合成数据与真实数据在统计特征上的匹配关系，以及并行CNN+LSTM结构在时空特征提取中的适配性。通过这一阶段的工作，已基本完成研究框架搭建，明确了后续编程实现和实验验证的核心思路。

3. 完成生成信号的时间频率分析与初步质量评估，验证生成信号能够较好反映运动想象相关节律变化。在模型初步设计完成后，进入模型训练与验证阶段。该阶段主要包括真实脑电数据预处理、合成数据生成、混合训练集构建以及分类模型训练等内容。真实数据部分已按照实验要求开展基础预处理，确保输入信号在时域、频域和空间分布上具有较好的可分析性。

图1.真实数据与生成数据RMS统计量对比

图2.真实数据与生成数据PSD统计量对比

4. 并对FFCL、EEGNet等模型进行了初步训练。与此同时，已启动5×5交叉验证实验流程，对不同受试者、不同模型及不同数据配置下的分类表现进行初步检验，为后续更系统的性能评估积累了实验结果。

表1.CNN+LSTM（Parallel）设计参数

5. 完成部分对比实验流程搭建，已开展不同模型、不同数据集和5×5交叉验证的初步实验，并对结果进行了初步整理。该阶段的重点在于从准确率、精确率、召回率、F1-score、Kappa系数等多个指标对模型性能进行综合评价，并比较不同模型在真实数据训练和混合数据训练条件下的差异。

表2.真实数据下FFCL表现

表3.混合数据下FFCL表现

表4.真实数据下EEGNet表现

表5.混合数据下EEGNet表现

三、下一步工作计划

1. 完成统计检验与更系统的数据分析，补充不同模型、不同数据集下的结果对比和显著性分析。

2. 继续优化Wendling NMM生成参数与FFCL网络设置，提升模型在真实数据上的稳定性与泛化能力。

3. 整理图表与实验记录，完成论文正文中“方法”“实验”“结果分析”等章节的撰写与修改。

问题一：为什么本课题选择引入神经质量模型生成合成数据，而不是只依赖真实脑电数据训练深度学习模型？

回答：运动想象脑电数据通常存在样本量有限、噪声较大、个体差异明显等问题，仅依赖真实数据训练深度模型容易出现过拟合和泛化不足。本课题引入神经质量模型，目的是在一定神经动力学约束下生成更接近真实节律变化规律的合成数据，以缓解小样本带来的训练瓶颈，并增强模型对μ/β节律特征的学习能力。这也与任务书中“利用NMM生成合成数据增强训练集、提升小样本场景下解码性能”的目标一致。

问题二：为什么在网络结构上采用并行CNN+LSTM的FFCL框架？

回答：运动想象脑电信号具有明显的时空耦合特征，单一网络往往难以同时兼顾空间分布信息与时间演化规律。FFCL采用并行CNN与LSTM两条分支，其中CNN更适合提取脑电信号的空间特征和局部模式，LSTM用于建模时间序列中的节律动态变化，最终通过特征融合提高分类判别能力。当前已完成该结构设计与实现，并基于真实数据和混合数据开展了初步实验验证。

问题三：目前实验结果说明了什么，后续还需要重点解决哪些问题？

回答：从现阶段结果看，FFCL在混合数据上的平均Accuracy由真实数据训练时的0.6379提升到0.7053，Kappa由0.5172提升到0.6070，说明当前合成数据方案对FFCL具有一定促进作用。后续我将按计划补充统计显著性检验，继续优化Wendling NMM生成参数和FFCL网络设置，并完善论文中“方法、实验、结果分析”等部分。

通过本阶段毕业设计，我对“基于深度学习的节律运动想象解码方法研究与应用”这一课题有了更系统、更深入的理解。首先，在知识层面，我进一步掌握了脑机接口、运动想象脑电、神经质量模型以及深度学习解码方法的基本理论，尤其加深了对Wendling NMM、FFCL网络和运动想象节律特征之间关系的认识。其次，在能力层面，我经历了从文献检索、技术路线梳理、模型设计、代码实现、实验组织到结果分析的完整研究过程，提升了独立编程、实验复现、数据整理和问题分析的综合能力。再次，在科研素养方面，我更加体会到做研究不能只关注结果是否理想，更要关注方法是否合理、实验是否严谨、结论是否可靠。例如，本阶段实验结果表明，混合数据训练对FFCL有积极作用。同时，这一课题也让我切身体会到跨学科研究的挑战与价值：它不仅训练了我将神经科学建模、信号处理和深度学习相结合的能力，也锻炼了我在复杂问题面前持续迭代、逐步完善和严谨表达的意识。接下来，我将继续按照任务书和中期计划推进统计分析、参数优化和论文撰写，力争高质量完成毕业设计。