“脑—机接口”系统(Brain-Computer Interface,BCI)是一种全新的人机接口方式,它不依赖于脑的正常输出通路(外周神经与肌肉系统),而直接从大脑获取与外界通讯的信息。BCI的一个重要用途是为那些思维正常但有严重运动障碍的患者提供语言交流和环境控制途径,以提高其生存质量。另外,BCI技术在特殊作业、军事、娱乐等方面也有潜在的应用价值。近年来,BCI作为一种多学科交叉技术,正成为脑科学、康复工程、生物医学工程及人机自动控制等领域的一个研究热点,其中脑电信号(electroencephalograph,EEG)的特征提取、模式分类等理论研究和实验研究扮演着重要角色。思维作业期间,在不进行任何外界刺激的情况下,通过左右手想象运动就可以直接获取思维脑电。因此,本文针对想象运动EEG的特征提取,模式分类等理论方法以及信号采集、BCI系统实验设计等内容展开研究,取得的主要研究成果如下:(1)基于离散小波变换和BP神经网络的脑电信号识别方法针对想象运动的BCI存在分类准确率低、抗干扰能力差等不足,提出一种将离散小波变换(Discrete Wavelet Transform,DWT)和BP神经网络相结合的脑电识别方法(DWT-BP方法)。该方法通过计算左、右手想象运动的C3、C4的平均功率合理确定时间窗设置,进一步对时间窗内的平均功率信号进行离散小波变换,并选取尺度6上的逼近系数A6的组合信号作为脑电信号特征,以BP神经网络为分类器实现对脑电观测数据的分析。在“BCI Competition 2003”竞赛数据集上的实验结果表明,DWT-BP方法能够较准确地提取脑电信号的本质特征,具有较好的抗干扰能力和分类性能,分类正确率达到94%,证实了该方法对于识别运动想象脑电信号的有效性,同时为实现想象运动在线BCI系统打下了基础。(2)用于脑电信号分类的神经网络集成方法BP神经网络具有对任意非线性函数的逼近能力及较强的自学习、自适应能力,因而,将其作为脑电信号的分类器在BCI的研究中得到了广泛应用。然而,由于缺乏问题的先验知识,BP神经网络算法往往很难找到理想的网络结构,这就影响了分类器泛化能力的提高。为此,本文提出了基于神经网络集成技术的分类算法。该方法通过离散小波变换抽取左、右手想象运动的主要特征,采用Bagging算法构建神经网络集成(Neural Network Ensemble,NNE)模型,并选取相对多数投票法获得网络集成的输出结果。在“BCI Competition 2003”竞赛数据集上的实验结果表明,该方法得到了比基于单个神经网络的脑电信号识别方法更高的识别率(99.3%)。同时,降低了个体神经网络的配置难度,提高了系统的泛化能力。(3)想象运动思维脑电相关实验设计针对国内BCI研究多数是从国外获取实验数据的现状,本文自行设计了三种实验方案进行脑电信号的采集。其中,实验一要求受试者依据灯光点亮的方向选择左、右手进行实际按键操作;实验二的采集过程是依据箭头提示方向进行左、右手想象运动;实验三则以听觉刺激取代实验一的视觉刺激,要求受试者闭眼,并根据“左”和“右”的声音提示来进行选择按键。利用本文提出的特征提取及分类算法对上述三种方案采集的脑电数据进行识别,验证了实验方案的可行性和脑电信号识别算法的有效性。在此基础上,又构建了BCI模拟控制系统。该系统采用DWT-BP方法对实际采集的脑电信号进行识别,用分类器的输出来控制小车的左右移动,实现了用思维控制小车的运动方向。本文的研究成果在提高“脑—机接口”系统的分类性能和泛化能力等方面具有积极意义,为将来实现基于想象运动思维脑电的在线BCI系统奠定了坚实的理论基础和实验基础。此外,在理论、实验研究中总结出的经验,对于设计和应用基于想象运动思维脑电的BCI系统具有重要的参考价值。