摘要：最近，各种深度神经网络已被用于对脑电图（EEG）信号进行分类。EEG 是一种可以非侵入性方式获取的脑信号，具有很高的时间分辨率。它可用于解码用户的意图。由于 EEG 信号具有高维特征空间，因此需要适当的特征提取方法来提高分类性能。在本研究中，我们获得了时空特征表示，并用组合卷积神经网络（CNN）-门控循环单元（GRU）模型对其进行分类。为此，我们在每个不同的时间带中获得协方差矩阵，然后在时间轴上将它们连接起来以获得最终的时空特征表示。在分类模型中，CNN 负责空间特征提取，GRU 负责时间特征提取。通过区分空间数据处理和时间数据处理来提高分类性能。对于 BCI 竞赛 IV 2a 数据集，所提出的模型的平均准确率为 77.70% (± 15.39)。作为基线方法，所提出的方法优于所有其他方法。