脑-机接口(Brain Computer Interface,BCI)是一种不依赖于大脑外周神经与肌肉组成的通讯控制系统,随着BCI技术的不断发展,已经逐步实现通过使用BCI技术使得大脑直接与外界沟通,这项重大突破为无法进行正常交流或者瘫痪的患者带来了福音。为加强此类人群的自我独立能力,提高沟通交流的便利性,对运动想象脑电信号进行分类研究以及设计基于脑电信号运动想象的在线BCI平台显得十分重要。为定量描述BCI系统,本文将深入研究向前、向后、向左、向右四种运动想象脑电信号。首先,自行设计实验方案采集运动想象脑电信号,利用小波改进阈值法对原始脑电信号进行降噪预处理;其次,运用多特征融合的脑电信号特征提取方法进行特征提取,再采用主成分分析法(Principal Component Analysis,PCA)对多维特征向量进行降维;最后,利用类别驱动的特征选择与分类支持向量机(Class Driven Feature Selection and Classification Support Vector Machine,CFSC-SVM)进行分类处理,将离线分析结果应用到基于脑电运动想象的在线BCI平台中,实现对轮式机器人的控制。本文具体研究内容如下:基于BCI技术自行设计实验方案,采集大脑皮层运动想象脑电信号,将其转换成数字信号输入计算机以待后续分析处理。考虑到采集过程中存在一定干扰因素,本文采用小波改进阈值法对采集到的脑电原始信号进行降噪预处理,并借助信噪比改善量及均方差值验证降噪效果。将小波包能量、自回归模型算法所提取的不同频带小波包能量以及时间序列相关系数有顺序的首尾连接,形成多融合特征的脑电信号特征,保证数据信息的准确性和真实性。并用PCA降维方法对这些高维数据进行降维,为后续的分类识别奠定基础。采用CFSC-SVM对实验采集到的不同状态下运动想象脑电信号进行分类识别。通过分类准确率及ROC曲线线下面积等指标验证了 CFSC-SVM在识别性能上的优越性,同时对比单特征向量及多融合特征向量经CFSC-SVM分类的识别准确率,验证多融合特征提取方法的优越性。将离线分析结果应用到基于脑电运动想象的在线BCI设计中,结合控制模块和驱动系统实现对轮式机器人的控制,并选取不同受试者进行试验,验证了本文所设计在线BCI平台的可行性。