摘要目的 基于卷积神经网络(convolutional neural network,CNN)识别运动想象脑电信号(motor imagery-electroencephalogram,MI-EEG)是神经康复领域的研究热点,而现有的CNN模型难以同时从时间-频率-空间多域提取丰富的特征信息,并有效应对MI-EEG的个性化特点.为此,本文提出一种基于双注意力的多尺度卷积神经网络(dual attention based multi-scale CNN,DAMSCNN),以实现运动想象任务的多域特征提取并分类.方法 首先,设计滤波器组对原始运动想象信号滤波,并拼接多频带数据,从而构建时-频-空三维 MI-EEG 数据,将其输入至双注意力模块,由挤压-激励块(squeeze and exitation block,SE Block)和自注意力块(self-attention block,SA Block)分别计算各频带和各导联的注意力权重,增加对有用频率、空间信息的专注力;然后,利用多尺度时间卷积模块并行获取关键频-空信息的多尺度时间特征信息,并与三维MI-EEG数据整合;再基于空-频卷积模块提取和融合所有导联的空间特征和所有频带的频率特征,最终由分类模块完成MI分类.为验证该方法的有效性与可行性,本研究在BCI Competition IV 2a公共数据集上分别进行消融实验及对比实验,并以准确率和F1 值作为评价指标.结果 DAMSCNN的组内实验和组间实验分别取得 84.02%和 79.81%的平均分类准确率,及 82.32%和79.67%的F1 值.结论 DAMSCNN能够自适应地捕捉MI-EEG的时-频-空特征信息,增强有用信息的注意力重要性,提高了运动想象信号分类精度.