针对多通道脑电信号（EEG）相互干扰、存在个体差异性导致分类结果不同和单域特征识别率低等问题，提出一种通道选择和特征融合的方法。首先，对获取到的EEG进行预处理，使用梯度提升决策树（GBDT）选出重要通道；其次，采用广义预测控制（GPC）模型构建重要通道的预测信号，辨析多维相关信号之间的细微差别，再使用SE?TCNTA（Squeeze and Excitation block-Temporal Convolutional Network-Temporal Attention）模型提取不同帧之间的时序特征；然后，使用皮尔逊相关系数计算通道间的关系，提取EEG的频域特征和预测信号的控制量作为输入，建立空间图结构，并采用图卷积网络（GCN）提取频域、空域的特征；最后，将上述二者特征输入全连接层进行特征融合，实现EEG的分类。在公共数据集BCICIV_2a上的实验结果表明，在进行通道选择的情况下，与首个用于ERP检测的EEG-Inception模型以及同样采用双分支提取特征的DSCNN （Shallow Double-branch Convolutional Neural Network）模型方法相比，所提方法的分类准确率分别提升了1.47%和1.69%，Kappa值分别提升了1.25%和2.53%。所提方法能够提高EGG的分类精度，同时减少冗余数据对特征提取的影响，因此更适用于脑机接口（BCI）系统。
