脑电图是一种使用脑机接口设备采集的能够直观反映大脑皮层内部活动情况的生理数据,得益其多样化、高效化、易训练化等特性,研究者能够借助脑电图研发以非肌肉形式控制及诱导的电子设备,这种设计模式引起了人工智能、装备制造等研究领域的广泛关注。在脑电信号识别任务中常见运动想象和稳态视觉诱发等脑科学经典实验范式。其中稳态视觉诱发实验范式需要外部刺激诱发大脑皮层产生伴生脑电波信号;运动想象实验范式不需要刺激就可以在相关皮层区域产生事件去同步或事件同步信号。因此,运动想象实验范式更易嵌套于脑机接口测控设备上,且随着信号采集技术和同步识别技术的进步,将有广泛的工程应用。然而,在脑电波分析、识别的研究中存在如下问题:其一,采集后的脑电波局限于现有的采集技术存在电气噪声、工频干扰因素。脑电波信号中存在眨眼等肌肉伪迹,受疲劳、注意力水平、环境假象等诱发组份的干扰。此外,脑电波信号具有非平稳的电生理属性,脑机接口采集的信号具有低信噪比的特性。其二,特征工程严重依赖于特定的人类专业知识领域,导致关键信息解析效率低。其三,相关深度神经网络的分类模型大多专注于非实时可视化的静态数据,而且在医学可解释性上亟待加强。本文针对运动现象实验范式相关数据集进行研究,构建脑电时空分析识别框架:首先,通过IIR滤波器对原始脑电波数据进行分解处理。然后,本文创新采用动态窗口滑动切片、能量图像映射同步进行特征表示与增强;受蒙太奇理论启发:当不同画面拼接组合在一起后,往往会产生每个画面单独存在时所不具有的特殊含义;因此能量图像映射层能够将离散脑电波信号序列中每个时间点的数据映射成能量图像,并沿着时间轴将相同任务的图像再次组合;这种组合方式在不同时间、不同空间区域、不同尺度并列或叠化而成,共同代表相同任务的统一图像序列组合。最后,级联卷积递归神经网络对运动想象任务图像组合进行精准学习、分类和预测。结果表明,本文提出的框架对训练数据大小的依赖性较低,并且在多意图识别中优于相关研究的基准方法。