脑电图（EEG）信号在推进脑机接口（BCI）系统（特别是检测运动想象（MI）动作）方面发挥着关键作用。然而，分析大量脑电图数据集面临冗余信息和性能下降等挑战。无关通道会引入噪声，降低准确率并减慢系统性能。为解决这些问题，本研究旨在开发一种新型通道选择方法，以增强脑机接口应用中基于脑电图的运动想象任务性能。我们提出的混合方法将统计 t 检验与基于邦弗朗尼校正的通道缩减技术相结合，随后应用深度学习正则化共空间模式神经网络（DLRCSPNN）框架。该框架采用 DLRCSP 进行特征提取，采用神经网络（NN）算法进行分类。我们开发的方法排除了相关系数低于 0.5 的通道，仅保留显著的非冗余通道，并在三个实时基于脑电图的脑机接口数据集上进行了测试。本研究在所有应用数据集上，每位受试者的准确率均超过 90%。在第一个数据集上，与七种现有机器学习算法相比，我们的方法实现了最高准确率，个体受试者的准确率提升了 3.27% 至 42.53%；在第二个和第三个数据集上，其性能优于现有方法，准确率分别提升了 5% 至 45% 和 1% 至 17.47%。与 CSP 和 NN 框架的比较证实了 DLRCSPNN 算法的优越性能。这些结果证明了该方法的有效性，为基于脑电图的脑机接口技术中运动想象任务性能的识别提供了新视角。所提出的技术将能够快速识别运动障碍患者的意图，支持患者康复并改善日常生活。
