摘要:目前，在运动想象解码领域，研究主要集中在被试依赖和被试独立解码两种方法上。然而，这两种解码方式在脑机接口（BCI）系统的实际使用中存在较大局限性。被试依赖和被试独立解码都依赖于同一中心数据集，当解码模型应用于其他中心的数据集时，性能将显著下降，无法满足BCI系统跨中心使用的需求。为提升运动想象脑电跨数据库解码性能，基于领域泛化的方法框架，提出了一种基于Fisher准则正则化的稀疏选择模型。在最小绝对值收缩和选择算子（LASSO）模型的基础上，引入Fisher准则正则项，以在特征选择过程中显式建模特征的可分性。这有助于提高领域泛化的表示学习能力，从而增强分类模型在不同数据集上的泛化性能。采用两个公开的运动想象脑电数据集，并使用滤波器组共空间模式（FBCSP）和多时频共空间模式（MTFCSP）两种特征提取方法，验证了所提方法的有效性, 进一步使用自采集的数据也证实了该方法在实际应用中同样有效。与现有的方法相比，所提方法取得了最高平均分类准确率，达到67.26%。实验结果表明，所提方法在运动想象跨数据库解码中具有更好的泛化能力、更高的特征可分性、更好的鲁棒性。所提方法有望促进BCI系统跨中心使用，提高通用性。