21世纪被认为是脑科学时代,探索和揭示脑的奥秘已成为当代自然科学研究所面临的最重大的挑战之一。脑电(Electroencephalogram,EEG)是脑部神经元电活动产生的信号,包含了丰富的大脑状态信息。而基于EEG信号实现的脑机接口(BrainComputer Interface,BCI)可以在人脑和计算机或其它外部设备之间建立直接的信息交互和控制通道,是人类了解和提高脑功能的重要手段,正成为脑科学、生物医学及康复工程、智能信息处理等领域的一个研究热点。BCI系统的性能关键在于对EEG信号特征的准确表征和EEG信号单次实验数据的正确分类,但由于EEG信号非平稳性强且信噪比低,从EEG信号中提取特征非常困难,这使得BCI的发展和应用面临很大的制约和挑战。本文从BCI系统中需要解决的关键技术出发,在EEG信号单次实验数据分类方法、特征提取算法,以及在线BCI系统设计等方面展开研究,并侧重于多模态EEG信号分析的研究。本文的主要贡献和创新点体现在以下几个方面:1.基于非负张量分解的EEG信号单次实验数据分类方法:本文提出了一种基于非负张量分解的EEG信号的单次实验数据分类方法,能够进行高阶EEG信号分析,可以从时间、空间、频率等多个模态上提取和分类有关的投影模式,并通过投影计算得到特征。实验分析结果表明,由于同时考虑了多阶信息,张量算法在EEG多模态分析及分类问题上能得到有效的应用。2.基于判别张量分解的EEG信号单次实验数据分类方法:现有的EEG单次实验数据分类方法都严重依赖于先验的神经生理学知识进行信号预处理降噪。本文提出了一种基于判别张量分解的方法提取EEG信号的多模态判别投影模式用于单次实验数据分类。实验证明,这种方法具有很强的鲁棒性,对于无先验知识下获取分类特征,识别与任务相关的判别信息非常有效。3.基于正则张量分析的EEG信号单次实验数据分类方法:提出了一种基于正则张量分解的方法来对EEG信号进行分析,通过多维判别分析和有关EEG信号合理假设的正则条件的引入,这种方法克服了EEG信号的低信噪比和高维度所引起的特征提取的困难,可以有效的识别出对分类最有作用的导联,用于BCI的导联选择。实验验证了该方法对于EEG信号单次实验数据分类的有效性和鲁棒性,并可以在确保分类精度基本没有损失的情况下有效的减少使用的信号导联数。4. EEG相位信息的多模态分析:在神经生理学上,相位被认为包含有关神经元电活动的丰富的信息。本文中,我们定义了相位间隔值(Phase Interval Value,PIV)从一个新的角度来研究EEG信号的相位信息,并且提出一种基于有序PARAFAC分解的方法来从高阶PIV数据中提取特征用于EEG信号的分类。实验结果表明相位信息对于EEG信号分类非常有效,从相位中可以获取与任务分类相关的时间、频率、空间多个模态上的特征分布信息。5.在线BCI系统设计与实现:设计并开发一种灵活的可扩展的在线BCI系统平台,为BCI提供一个实验研究与算法验证平台。系统可以对数据各个模态上的特征进行多角度可视化,揭示和理解特定思维任务时的EEG信号模式动态变化特征,构建思维活动-特征表征-抉择控制之间的映像关系。此外,系统提供指令翻译接口,可以在受试者思维任务和系统控制命令间灵活的建立对应关系。利用此接口,我们首先设计了一个交互训练系统原型,并实现了两个基于多类肢体想象任务的自主异步的BCI应用系统,即虚拟场景中的在线游戏控制及现实环境中的遥控小车驾驶,用户和系统通过双向的适应性训练能达到良好的控制性能。总之,本文研究了大脑在特定思维任务下的EEG信号模式以及动态变化特征,提出的多模态特征分析方法能够从复杂EEG信号中读取与任务相关的时间、空间、频率判别投影模式,对提高现有BCI系统的信息传输率和实用性有着重要的作用;设计了交互训练系统原型,并实现了虚拟及现实环境中新型自主异步的在线BCI系统;本文的工作为EEG信号分析、BCI的发展提供了理论基础与技术原型。