基于多输入三维卷积神经网络的脑电解码模型.pdf

现代电子技术Modern Electronics Technique2023年10月1日第46卷第19期Oct.2023Vol.46 No.190 引 言脑机接口（BrainComputer Interface,BCI）通过计算机等设备为人脑和外界环境建立起一条不依赖于外周神经和肌肉组织的信息交流通路12，在生物医学、神经康复、智能机器人等领域35具有重要的研究意义和巨大基于多输入三维卷积神经网络的脑电解码模型邓豪东1，王俊易1，葛骏一2，林 放3，李梦凡1（1.河北工业大学 生命科学与健康工程学院，天津 300232；2.北京师范大学 生命科学学院，广东 珠海 519087；3.博睿康科技（常州）股份有限公司，江苏 常州 213000）摘 要：脑机接口是实现人脑与外界交互的关键技术，脑电解码是其中的核心环节，并随着深度学习发展在预测大脑意图的精度方面得到显著提升。然而个体内脑电信号差异降低了脑电解码模型的鲁棒性。为此，提出一种多输入三维卷积神经网络（MT3DCNN）的脑电解码模型，通过融合脑电数据的空间排布与时间排布，形成两种三维矩阵数据作为卷积网络的多输入，采用三维卷积核沿时空方向进行特征提取与解码。10名被试参加了间隔 6 h和 12 h的脑机接口实验，并采用MT3DCNN进行跨时间的解码预测。MT3DCNN的单次解码准确率在长时间下分别维持在78.15%和72.56%，高于单输入的 3DCNN（62.89%和 52.35%），表明 MT3DCNN通过对脑电数据的时间和空间的多种排布方式形成的多输入能够充分利用其三维卷积核学习与提取特征的能力，并且针对个体内脑电差异具有更强的解码性能，有助于推动脑机接口系统的普及使用。关键词：脑电图；个体内差异；三维卷积神经网络；数据排布；脑电解码；跨时间；脑机接口；鲁棒性中图分类号：TN9934；TP334.7 文献标识码：A 文章编号：1004373X（2023）19014906EEG decoding model based on three dimensional convolutional neural network with multi inputDENG Haodong1,WANG Junyi1,GE Junyi2,LIN Fang3,LI Mengfan1(1.School of Life Science and Health Engineering,Hebei University of Technology,Tianjin 300232,China;2.College of Life Sciences,Beijing Normal University,Zhuhai 519087,China;3.Neuracle Technology(Changzhou)Co.,Ltd.,Changzhou 213000,China)Abstract：The braincomputer interface(BCI)is a key technology for achieving interaction between the human brain and the outside world,and EEG decoding is the central part.With the development of deep learning,the accuracy of predicting brain intentions has been significantly improved by EEG decoding.However,intraindividual differences in EEG signals reduce the robustness of the EEG decoding model.Therefore,a multi input three dimensional convolutional neural network(MT3DCNN)EEG decoding model is proposed,which combines the spatial and temporal layouts of EEG data to form two types of 3D matrix data as the multi input of the convolutional network,and the 3D convolutional kernel is used for feature extraction and decoding along the spatiotemporal direction.Ten participants participated in the BCI experiments with an interval of 6 h and 12 h,and MT3DCNN is used for crosstime decoding prediction.The single decoding accuracy of MT3DCNN was maintained at 78.15%and 72.56%,respectively,over a long period of time,which were higher than those of 3DCNN(62.89%and 52.35%)with single input.This indicates that the MT3DCNN can make full use of its ability of 3D convolution kernel learning and feature extraction by the multi input formed with various arrangements of EEG data in time and space.In addition,it has stronger decoding performance for intraindividual EEG differences,which is helpful for promoting the popularization and use of BCI system.Keywords：EEG;intraindividual difference;3DCNN;data layout;EEG decoding;crosstime;BCI;robustnessDOI：10.16652/j.issn.1004373x.2023.19.027引用格式：邓豪东，王俊易，葛骏一，等.基于多输入三维卷积神经网络的脑电解码模型J.现代电子技术，2023，46（19）：149154.收稿日期：20230425 修回日期：20230518基金项目：河北省自然科学基金项目（F2021202003）；河北省重点研发项目（21372002D）149149现代电子技术2023年第46卷的应用潜力。事件相关电位（Event Related Potential,ERP）是大脑对外部特定刺激或心理因素产生的脑电位变化6，基于ERP的BCI由于训练次数少、指令数量高而得到广泛使用。个体内差异是 ERP BCI在实际应用中不可避免的问题79，表现为同一受试者在不同时间、状态或者条件下产生的 ERP 信号呈现波形、幅度和潜伏期等特征差异的现象，来源于受试者的生理、心理、外界刺激和实验环境等内外部因素的变化，这种差异不仅导致脑电信号处理和分析难度的增加，还降低了解码模型的分类准确率和鲁棒性，增加了受试者的使用负担。因此，如何使脑电解码模型对个体内差异具有强鲁棒性是实现 ERP BCI长期稳定使用的关键。在以往的研究中，一些研究学者采用传统机器学习模型进行脑电解码。文献10采用贝叶斯逻辑回归进行ERP 脑电解码，文献11通过结合 TrAdaBoost的支持向量机提高了ERP BCI对个体差异的泛化能力。然而，传统机器学习模型的判别方式单一，难以自适应高维复杂的脑电信号。近年来，随着人工智能的发展，已经逐渐被基于深度学习的脑电解码模型所取代。文献12利用受限玻尔兹曼机从单试次 ERP 信号中提取时空特征；文献13采用改进的卷积神经网络捕捉脑电信号的内在特征，增强了 P300 信号分类和字符识别；文献14提出改进的卷积神经网络，充分利用 ERP的锁相特性，提高了单试次的分类准确率。深度学习模型作为端到端的学习模型，在处理脑电时，受限于数据的表现形式和卷积核的观察角度，容易忽略脑电的空间信息或者时间信息。因此，需要对多通道的二维脑电数据进行处理，以保留其时空特征的完整性。三维卷积神经网络（Threedimension Convolutional Neural Network,3DCNN）采用三维卷积核对输入数据进行三个维度层面上的卷积计算，从而建立其不同维度的关联信息，适用于脑电的特征提取，有助于挖掘并利用脑电时间、空间和频率之间的相关性。目前，在脑机接口领域已经具有广泛应用。文献15基于 3DCNN进行癫痫发作的检测，通过将每个通道的一维时序脑电转换为二维图像，并根据不同通道之间的相互关联强度进行融合作为 3DCNN 的输入。文献16基于 3DCNN 进行多通道脑电异常的检测，根据脑电电极的位置关系，将 22 个电极通道映射为一个二维矩阵，并沿时间维度进行堆叠形成三维数据结构作为 3DCNN 的输入。文献17提出基于 3DCNN 的情感脑电解码模型，采用融合时域和频域特征的 3D 特征矩阵作为输入。文献18提取情感脑电的微分熵，并将其转换为时间空间频率的四维特征矩阵作为 3DCNN的输入。文献19提取脑电信号的统计特征并在二维空间和三维空间中分别作为像素和体素进行处理，采用 2DCNN 和 3DCNN进行脑电解码。上述研究表明，将脑电数据排布为 3D数据结构，能够使得 3DCNN同时捕获脑电信号在时间和空间上的变化，并从中提取时间特征、空间特征，以及融合时间和空间的关联特征。由此可见，3DCNN是具有潜力的研究方向。本文在前期工作提出了一种新型的 3DCNN2021，通过动态捕捉脑地形图和视频流处理方式解码脑电信号，有效提高了解码模型的识别准确率。但是，该方法将脑电样本的电极通道排布为 2D脑地形图，再沿时间维堆叠形成 3D结构，导致三维卷积核关注的空间维和时间维存在主次维度的差异，造成空间特征和时间特征不具备同等维度的重要性，使得脑电信号的时间信息无法得到充分利用。因此，为了增强三维卷积核提取脑电信号时空特征的能力，有必要对其输入进行优化。本文在前期基础上进一步提出多输入的 3DCNN（Multi Input Three dimension Convolutional Neural Network,MT3DCNN），采用电极通道空间排布和单通道脑电的时间排布形成两种 2D数据结构，并各自沿脑电的时间和空间进行堆叠形成 3D数据结构，通过融合两种不同的 3D数据结构作为输入，并采用三维卷积核进行卷积计算，从而建立输入和提取信息更加全面的MT3DCNN。本研究进行了 10名被试当前时间段、间隔 6 h和 12 h的 BCI实验，采用 MT3DCNN 和 3DCNN进行跨时间解码，并通过解码准确率、信息传输率和Kappa系数进行对比分析。结果表明，MT3DCNN的单次重复分类准确率和信息传输率在间隔 6 h 和 12 h 时间 下 分 别 维 持 在 78.15%、72.56%和 82.76 bits/min、71.54 bits/min，远高于 3DCNN。MT3DCNN 有效提高了脑电解码模型的分类准确率。这表明本文提出的MT3DCNN 在不增加数据量的情况下，通过对脑电数据采用两种排布方式，为解码模型提供了具有多方面、多维度的输入而非单一输入，使得三维卷积核能够从多角度挖掘脑电中蕴含的时空特征，从而提高解码模型的分类准确率。MT3DCNN为提高解码模型的鲁棒性以及实现BCI的长期稳定使用提供了一种有效的解决方法。1 方 法1.1 脑电数据集脑电数据来源于基于双重刺激界面的跨时间脑机接口实验2021。界面左侧采用整体闪烁（WF）刺激，右侧采用局部移动（LM）刺激。共有 10 名被试参与该项实150第19期验，采集设备为 NeuroScan系统，64个电极通道，采样率为1 000 Hz。每次实验由3个子实验组成，间隔6 h进行，整个过程持续12 h。在每个子实验中，每位被试需要进行180次重复，将注意力集中于屏幕上所呈现的视觉诱发界面，从而诱发 ERP产生。每名被试将产生 180个整体闪烁（WFtarget）、180 个局部移动（LMtarget）和 720 个非刺激（nontarget），共计1 080个脑电样本。本研究采用的双重刺激界面的跨时间实验范式能够有效诱发个体内的差异特征，并为长时脑机接口的实现提供包含个体内差异的数据。1.2 预处理首先进行通道选择和时间窗截取，截取 60 个通道中刺激后100400 ms的脑电数据，并对其进行20 Hz的下降采样；其次采用 0.510 Hz的 3 阶巴特沃斯滤波器进行带通滤波；最后分别采用空间排布和时间排布构建两个不同的 3D 数据矩阵。其中，空间排布的 3D 矩阵按照实验中脑电帽电极分布的方式，将多通道映射为一个125 的 2D 矩阵，并将其沿时间维度上进行叠加，获得3D空间排布的矩阵，其形状为 12560（通道通道时间）；时间排布的 3D矩阵则是把单个通道 60 ms的数据排列为一个 125的二维矩阵，然后将 60个通道形成的60个二维矩阵进行堆叠，得到一个大小为 12560（时间时间空间）的3D时间排布数据矩阵。最后，将空间排布和时间排布的两种 3D矩阵进行融合，从而获得形状为 125120的多输入融合 3D矩阵。在本文中，采用融合两种排布形成的 3D 矩阵作为 MT3DCNN 的多输入数据进行跨时间脑电解码。1.3 解码算法1.3.1 MT3DCNNMT3DCNN是基于3DCNN改进后的多输入模型，MT3DCNN 首先截取多通道脑电信号中刺激后 100400 ms的数据，并将其分别转化为2D空间特征加1D时间特征的3D矩阵以及2D时间特征加1D空间特征的3D矩阵，然后将得到的两个3D矩阵相结合，最后通过三维卷积核对脑电数据进行学习和特征提取，整个流程如图 1所示。图1 MT3DCNN整体流程图在 MT3DCNN 中，二维空间特征加一维时间特征的 3D矩阵以 60个通道的数据脑地形图为一帧，时间长度为帧数；二维时间特征加一维空间特征的 3D矩阵则以单个通道 60 ms的脑电数据动态幅值为一帧，通道数目为帧数。MT3DCNN 相较于 3DCNN 的不同之处在于：3DCNN仅使用空间排布将二维的脑电数据转化为3D矩阵结构，因此，只能从单角度进行分析；而 MT3DCNN 则通过两种不同的处理方式将相同的数据构建为不同的3D矩阵，再将其融合为新矩阵作为输入，其三维卷积核可以从不同方面对数据进行特征提取和学习。脑电数据不同排布构建起多种 3D矩阵，为脑电数据赋予了多方面、多维度的特征信息。MT3DCNN 的三维卷积运算如公式（1）所示：vfcti=ReLU()bi+ms=0Si-1q=0Qi-1r=0Ri-1wsqrimv(f+s)(c+q)(t+r)(i-1)m （1）式中：vfcti是第i个隐藏层在坐标（f,c,t）上的值；ReLU是非线性激活函数；bi是第i个隐藏层的偏置量；m是第i个隐藏层与第i-1个隐藏层的链接权重参数；Si、Qi和Ri是三维卷积核的长度、宽度和深度；wsqrim是卷积核在坐标（s,q,r）上的值；v(f+s)(c+q)(t+r)(i-1)m是第i-1 个隐藏层的立体矩阵。MT3DCNN 的输入是一个大小为 125120 的矩阵，如公式（2）所示：vfct=x,x 12 5 120（2）邓豪东，等：基于多输入三维卷积神经网络的脑电解码模型151现代电子技术2023年第46卷式中：vfct为输入矩阵的值；x为数据处理过程中的向量。MT3DCNN由三层结构的卷积池化层、一层填充层和两层全连接组成。卷积层的卷积核尺寸均为 333，其神经元数分别为 32、64和 64，采用 ReLU 作为激活函数；池化层的窗口大小均为 222。批量数设置为 64，学习率为 0.001，优化器为 Adam，采用交叉熵作为损失函数。1.3.2 3DCNN本文使用之前研究提出的 3DCNN 作为对比解码模型，该模型是沿时间对动态地形图流进行卷积以检测ERP 的空间和时间特征的 EEG 处理算法，通过将时间信息作为 3D 矩阵的深度，以提高基于深度学习的 BCI系统解码性能。3DCNN解码模型的具体步骤为：1）采用空间排布处理多通道二维脑电信号，通过将 60个电极通道映射到一个 125的二维矩阵中，形成脑地形图；2）将形成的脑地形图沿时间维度进行叠加，形成3D结构的脑电数据；3）构建 3DCNN 用于脑电解码，3DCNN 同样由三层结构的卷积池化层、一层填充层和两层全连接组成。卷积层的卷积核尺寸均为 222，其神经元数分别为 32、64和 64；池化层用于保证特征矩阵维度一致，批量数设置为50，学习率为0.001。1.4 评价指标1.4.1 解码准确率和信息传输率解码准确率（Accuracy,Acc）用于评价解码模型的预测精度，是指被试在实验中目标分类正确的数量与目标总数的比率。信息传输率（Information Transfer Rate,ITR）是评价 BCI系统速度的指标，计算方法如式（3）和式（4）所示：B=log2N+Acc log2Acc+(1-Acc)log2 1-AccN-1（3）ITR=B 60Ti n+t（4）式中：N为18（对应于36的实验范式）；Ti是每次闪烁所需的时间；n是一个重复组包含的闪烁次数，被设置为6；t是被试转移目光所需要的时间，被设置为500 ms。1.4.2 Kappa系数Kappa 系数是用于评估解码器一致性和精度的指标，它是基于混淆矩阵计算而来的 01之间的值，计算方式如式（5）和式（6）所示：pe=j=118NTruej Npredictjw w（5）Kappa=po-pe1-pe（6）式中：NTruej是第j类样本的真实数量；NPredictj是被预测为第j类样本的数量；w是类别数量，取 18；po是样本准确率。2 结 果2.1 解码准确率图2为MT3DCNN和3DCNN同时段、跨6 h和12 h的解码准确率。其中，横轴是重复次数，纵轴是解码准确率，session1session3为 3组不同训练和测试的策略，其定义如下：session1：采用子实验1进行18折交叉验证；session2：采用子实验1训练，子实验2测试；session3：采用子实验1训练，子实验3测试。图2 两种算法的准确率1）在 session1 中，MT3DCNN 第一次重复的解码准确率为 93.57%，同比高于 3DCNN（91.23%），且 MT3DCNN的解码准确率随重复次数的增加，其上升速度明显快于3DCNN，在第二次重复中就接近100%。表明MT3DCNN 能够捕获更多的特征，从而提高其解码准确率。2）从 session1session3 的第一次重复解码准确率变化趋势上看，MT3DCNN 分别为 93.57%、78.15%、72.56%，其降幅维持在 15%以内，而 3DCNN 分别为91.23%、62.89%、52.35%，其降幅将近30%，表明MT3DCNN针对跨时间解码具有更好的鲁棒性。3）对比 session2和 session3，MT3DCNN 表现出更小的差距，表明 MT3DCNN 具有在长时间下进行稳定解码的潜力。152第19期4）从整体上看，MT3DCNN 在 3个 session 中的准确率均高于3DCNN，且随重复次数的增加其涨幅更快，随时间的延长其降幅更低。表明MT3DCNN具有更强的特征学习能力，可以有效捕获并提取经过数据重排的脑电数据中蕴含的特征信息。2.2 信息传输率图 3为 MT3DCNN 和 3DCNN 在同时段、跨 6 h和12 h 的信息传输率。其中横轴是重复次数，纵轴是ITR。在session1中，MT3DCNN和3DCNN的第一次重复 ITR分别为 115.97 bits/min和 110.95 bits/min（差值为5.02 bits/min）。表明 MT3DCNN具有更快的信息传输速度。图3 两种算法的信息传输率1）在 session2 中，随着重复次数的增加，MT3DCNN的ITR表现出更为缓慢的下降速度，前3次重复的ITR分别为 82.76 bits/min、53.83 bits/min 和 37.90 bits/min，远高于 3DCNN 的 ITR（54.68 bits/min、46.85 bits/min 和37.90 bits/min）。在session3中表现出同样的结果，表明MT3DCNN具有比3DCNN更好的解码性能。2）从 session1session3 的第一次重复 ITR 变化趋势 上 看，MT3DCNN 的 ITR 分 别 为 115.97 bits/min、82.76 bits/min和71.54 bits/min，其降幅维持在60 bits/min以 内，对 比 3D CNN（110.95 bits/min、54.68 bits/min、39.86 bits/min）其降幅将近 70 bits/min。由此可见，MT3DCNN在长时间脑电解码上具有更好的鲁棒性。3）对比session2session3前两次重复的ITR，MT3DCNN通过采用二次重复可以维持 Acc和 ITR的平衡，保证ERPBCI的解码性能。4）从整体上看，MT3DCNN 在 3 个 session 中的ITR均高于 3DCNN，且随重复次数的增加、时间的延长其降幅更低。这意味着MT3DCNN对个体内的脑电数据随时间变化具有更好的学习能力，在日常的跨长时间解码任务中具有更好的准确性。2.3 Kappa系数图4为MT3DCNN和3DCNN跨6 h分类的混淆矩阵。左侧为 3DCNN，右侧为 MT3DCNN，混淆矩阵的每一行代表着实际类别，每一列代表着分类类别，对角线上的数据代表样本分类正确的概率。MT3DCNN 的 WFtarget、LMtarget和 nontarget样本分类准确率分别为0.85、0.92、0.90，整体效果高于3DCNN。表明MT3DCNN具有更好的分类性能。图4 两种算法的Kappa系数对比两种方法在 target和 nontarget的分类判断，左侧显示 3DCNN 将 WFtarget 和 LMtarget 误判为 nontarget 的概率为 0.17 和 0.07。相较之下，右侧显示 MT3DCNN将 WFtarget和 LMtarget误判为 nontarget的概率仅有 0.07 和 0.02，具有更低的误判率。表明 MT3DCNN能够捕获更多细微有效且具有差异性的特征信息，用以区分target和nontarget，从而提高其分类准确率。从 3DCNN 和 MT3DCNN 跨 6 h 的解码任务上可以看出，MT3DCNN 对个体内脑电差异的鲁棒性和解码性能优于 3DCNN。其原因可能是 MT3DCNN 的双重特征空间分布增强了原有脑电数据的特征。表明对于脑电数据采取不同排布，可以增强脑电特征的差异，为 MT3DCNN 赋予更好的解码性能，从而获得更好的鲁棒性。3 结 论本文针对个体脑电差异问题提出MT3DCNN解码模型，通过构建并融合二维多通道的脑电信号的空间排布和时间排布，形成的3D数据结构作为多输入，采用三维卷积核进行三个维度、两种分布上的时空特征提取，来提高深度学习解码模型对个体内差异的鲁棒性。结果显示多输入的 MT3DCNN 在分类准确率、信息传输率、Kappa混淆矩阵的表现均优于单输入的 3DCNN，表明多种数据输入的排布方式可以有效扩展脑电数据的特征信息，为三维卷积核提供多角度学习脑电特征的能力。结合数据的多排布与三维卷积核可以提高解码模型对个体内差异的鲁棒性，并有助于实现脑机接口在邓豪东，等：基于多输入三维卷积神经网络的脑电解码模型153现代电子技术2023年第46卷日常环境中的长时稳定使用。注：本文通讯作者为李梦凡。参考文献1 NI Z,XU J,WU Y,et al.Improving crossstate and crosssubject visual ERPbased BCI with temporal modeling and adversarial training J.IEEE transactions on neural systems and rehabilitation engineering,2022,30:369379.2 MAMMONE N,IERACITANO C,ADELI H,et al.AutoEncoder filter bank common spatial patterns to decode motor imagery from EEG J.IEEE journal of biomedical and health informatics,2023,27(5):23652376.3 WEN D,FAN Y,HSU S H,et al.Combining braincomputer interface and virtual reality for rehabilitation in neurological diseases:A narrative review J.Annals of physical and rehabilitation medicine,2021,64(1):101404.4 XIE P,WANG Z,LI Z,et al.Research on rehabilitation training strategies using multimodal virtual scene stimulation J.Frontiers in aging neuroscience,2022,14:110.5 XU B,LI W,LIU D,et al.Continuous hybrid BCI control for robotic arm using noninvasive electroencephalogram,computer vision,and eye tracking J.Mathematics,2022,10(4):618.6 MA R,YU T,ZHONG X,et al.Capsule network for ERP detection in braincomputer interface J.IEEE transactions on neural systems and rehabilitation engineering,2021,29:718730.7 LI M,ZUO H,ZHOU H,et al.A study of action difference on motor imagery based on delayed matching posture task J.Journal of neural engineering,2023,20(1):016031.8 MA Y,GONG A,NAN W,et al.Personalized braincomputer interface and its applications J.Journal of personalized medicine,2023,13(1):46.9 WAN Z,YANG R,HUANG M,et al.A review on transfer learning in EEG signal analysis J.Neurocomputing,2021,421:114.10 冯宝，张绍荣.组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法J.东北大学学报（自然科学版），2019，40（9）：12451251.11 徐桂芝，林放，宫铭鸿，等.基于 TrAdaBoost的跨脑辨识 P300电位研究J.生物医学工程学杂志，2019，36（4）：531540.12 LI J,YU Z,GU Z,et al.A hybrid network for ERP detection and analysis based on restricted Boltzmann machine J.IEEE transactions on neural systems and rehabilitation engineering,2018,26(3):563572.13 LIU M,WU W,GU Z,et al.Deep learning based on batch normalization for P300 signal detection J.Neurocomputing,2018,275:288297.14 ZANG B,LIN Y,LIU Z,et al.A deep learning method for singletrial EEG classification in RSVP task based on spatiotemporal features of ERPs J.Journal of neural engineering,2021,18(4):113.15 WEI X,ZHOU L,CHEN Z,et al.Automatic seizure detection using three dimensional CNN based on multichannel EEG J.BMC medical informatics and decision making,2018,18(5):7180.16 DU Y,MAALLA A,LIANG H,et al.The abnormal detection of electroencephalogram with threedimensional deep convolutional neural networks J.IEEE access,2020,8:64646 64652.17 陈景霞，闵重丹，林文涛，等.基于3D矩阵特征与多维卷积网络的脑电信号情感识别J.陕西科技大学学报，2022，40（2）：178186.18 张静，张雪英，陈桂军，等.结合 3DCNN和频空注意力机制的 EEG 情感识别J.西安电子科技大学学报，2022，49（3）：191198.19 BIRD J J,FARIA D R,MANSO L J,et al.A study on CNN image classification of EEG signals represented in 2D and 3D J.Journal of neural engineering,2021,18(2):026005.20 LI M,WU L,XU G,et al.A robust 3Dconvolutional neural network based electroencephalogram decoding model for the intraindividual difference J.International journal of neural systems,2022,32(7):2250034.21 伍凌宇.基于三维卷积神经网络的双重刺激脑机接口解码研究D.天津：河北工业大学，2022.作者简介：邓豪东（1998），男，湖南永州人，硕士研究生，研究方向为脑机接口技术。王俊易（2002），男，河北石家庄人，研究方向为脑机接口技术。葛骏一（2000），男，四川资中人，研究方向为脑认知与神经科学。林 放（1992），男，河北承德人，硕士，工程师，研究方向为脑机接口技术。李梦凡（1988），女，河北邯郸人，博士，副教授，研究方向为神经工程、深度学习。154