為了提高基于運動想象（MI）的腦控智能小車的控制性能，本文提出一種基于腦電（EEG）信號神經反饋（NF）控制智能小車的方法。采用 MI 心理策略，通過實時呈現該心理活動相關 EEG 信號特征的能量柱形圖給受試者，訓練受試者快速掌握 MI 技能并調節其 EEG 信號的活動，并以 MI 多特征融合和多分類器決策相結合的方法，從而在線腦控智能小車。訓練組（試驗前接受設計的反饋系統訓練）取得平均、最高和最低的識別指令準確率分別為 85.71%、90.47% 和 76.19%，對照組（不接受訓練）對應的準確率分別為 73.32%、80.95% 和 66.67%；訓練組平均、最長和最短用時分別為 92 s、101 s 和 85 s，對照組對應的用時分別為 115.7 s、120 s 和 110 s。通過以上試驗研究結果，期望本文可為后續基于 MI 的 EEG 信號 NF 控制智能機器人的開發提供新的思路。
循環神經網絡結構極大地優化了時間序列數據的處理能力，但是其網絡梯度爆炸以及特征提取能力較差等問題，影響了它在輕度認知障礙（MCI）自動診斷中的應用。針對這一問題，本文提出貝葉斯優化雙向長短時神經網絡（BO-BiLSTM）構建MCI診斷模型的研究思路。診斷模型基于貝葉斯算法，結合先驗分布與后驗概率結果共同作用尋優BO-BiLSTM網絡超參數，并采用功率譜密度、模糊熵以及多重分形譜等能夠充分反映MCI腦認知狀態的多角度特征量作為診斷模型的輸入，實現MCI自動診斷。結果表明：基于特征融合的貝葉斯優化BiLSTM網絡模型，MCI診斷正確率可達到98.64%，能夠有效地完成MCI的診斷評估。綜上，基于此優化的長短時神經網絡模型，實現了MCI的自動診斷評估，為MCI智能診斷提供了一種新的模型。