研究背景与问题

本研究针对现有手臂精细动作想象脑电信号分析方法在捕捉复杂时空耦合特征方面存在的局限性进行探讨。现有分析方法往往难以充分提取和分析运动想象过程中的关键脑电信号特征，导致解码精度和准确性的不足。为此，本文提出了一种基于细粒度图神经的分类模型，旨在实现对手臂动作想象脑电信号的准确分类和解读。

研究方法

本研究首先构建了一个手臂动作想象脑电数据库，并针对该数据库提出了一个细粒度图神经动作想象脑电信号分类模型。该模型利用自注意力机制，专注于核心电极通道，精准捕捉节点间深层依赖关系。模型采用图神经网络（GNN）技术，将脑电信号表示为图结构，并在此基础上进行分类和预测。此外，模型还引入了注意力机制，能够更好地捕捉信号中的重要信息。

核心结果

通过实验验证，所提出的细粒度图神经动作想象脑电信号分类模型在解码精度和准确性方面均优于传统方法。实验结果表明，该模型在处理复杂时空耦合特征方面表现出显著的优越性，能够更准确地识别手臂动作想象过程中的关键信息。此外，该模型对不同类型的动作想象具有较高的泛化能力，具有良好的实用价值。

结论与意义

本研究提出了一种基于细粒度图神经动作想象脑电信号分类模型，该模型能够有效捕捉复杂时空耦合特征，实现对手臂动作想象的精准分类。研究成果有助于提高运动想象脑电信号分析方法的整体性能，为神经科学研究、临床应用以及相关技术领域的发展提供了新的思路和方法。同时，本研究还具有重要的实际意义，可为开发智能化康复训练设备、提高患者康复效果等提供有力支持。