脑电信号(EEG)的分析与识别是认知科学、生理学、精神病学等领域的研究热点,在脑疾病诊断、情绪分析、认知障碍分析等领域具有广阔的应用前景。在工程应用方面,EEG被人们用于实现人脑——计算机接口(BCI),通过对不同感觉、运动或认知活动的EEG进行识别,实现“远程”控制计算机或设备。运动想象EEG作为当前BCI系统的主要研究对象,其分析与识别技术被应用于运动障碍患者的辅助设备研究,因此,开展运动想象EEG的分类识别研究具有重要的实际意义和应用价值。论文首先针对现有研究中,基于运动想象脑电数据集BCI 2003 Ⅲ和BCI 2005 Ⅲa的EEG分析处理方法繁多,数据集BCI 2003 Ⅲ的识别率普遍高于数据集BCI 2005 Ⅲa的现象,以ERD/ERS现象为理论基础,对影响运动想象EEG识别的因素进行了分析,通过实验验证确定了三个主要影响因素:EEG的噪声含量,对运动想象任务的反应程度,左、右脑信号的能量差异。解释了两个数据集识别率存在差异的现象,对选择恰当的EEG处理方法具有指导性作用。其次,基于上述对影响因素的分析,以数据集BCI 2005 Ⅲa为研究对象,为提高数据有效性和分类识别率,提出了一种EEG的多域处理方法,该方法主要内容与过程如下:为避免运动想象EEG因信噪比低、对任务反应程度弱影响识别率,采取频域滤波与空域滤波相结合的预处理方法,选择巴特沃斯滤波器去除低频的眼电伪迹和高频的工频噪声。同时,为减少所需处理的数据量,提高数据有效性,提出了基于互相关的通道选择算法,筛选出最佳反应通道,在最大限度保留与任务相关信息的同时降低了运行数据量。然后,通过表面拉普拉斯参考法对最佳反应通道的EEG进行空域滤波,减少了相邻通道间的共模噪声,突出了活跃通道的局部信息。针对运动想象左、右脑信号的能量差异小的影响因素,本文将通过信号积分法得到的时空差异特征作为时域特征,抑制了左、右感觉运动区域共有的噪声,同时增强了与对侧EEG间的差异性。再将时空差异特征与Stockwell变换后的时频特征合并,利用线性判别法进行降维,生成了一个线性可分的多域融合特征,有效增大了两类间差距,降低了分类难度。最后,采用支持向量机(SVM)作为分类器,对两类多域融合特征进行识别分类,分别以全部试验的30%、50%和70%作为训练集训练SVM模型,将剩余70%、50%和30%的实验数据作为测试集输入给SVM进行预测。实验结果表明,训练集占比越大,识别率越高,三位受试者“k3b”、“k6b”和“l1b”的识别率均不低于85%,其中受试者“k3b”和受试者“k6b”在以70%作为训练集的情况下,左、右手运动想象识别率达到100%。本文识别率显著高于现有文献中基于数据集BCI 2005 Ⅲa的运动想象EEG的识别率。因此,本文研究成果对于运动想象EEG的分析与识别具有参考价值,也为EEG在其他领域的研究提供了新思路和新方法。