在进行运动想象时,大脑皮层会出现与实际运动时相似神经电生理现象,能直接激活感觉运动脑皮层促进其重组或重建,因此可以借助运动想象来帮助因脑疾病造成运动功能障碍患者实现康复,而且运动想象时不同动作想象脑电信号的识别结果也可以作为一种控制策略,实现脑机交互。因此对运动想象的运动皮层状态进行分析和不同动作想象的模式识别都具有现实意义和科学研究价值。本文从当前脑电信号模式识别和运动想象时运动皮层状态的研究现状出发,对不同视听觉引导条件的脑电(Electroencephalogram,EEG)信号进行分析。本文的研究重点主要是,不同视听引导下运动想象皮层的状态分析和不同动作想象EEG信号的模式识别。主要研究内容和创新点包括以下几个方面:(1)四组不同视听觉引导条件运动想象实验设计。四组实验分别是,单一运动想象,听觉、视觉和视听联合引导运动想象。在实验中视觉引导选择了同步播放视频动作,听觉引导选择了基于听觉认知的声音“左”和“右”。对不同引导条件下的运动皮层状态和动作模式识别进行对比分析。(2)运动皮层状态分析。选择AR功率谱模型对整个频段上的信号能量的变化进行整体分析,观察运动皮层状态在整个频域上的表现和能量分布情况;以事件相关去同步/事件相关同步(Event Related Desynchronization/Event Related Synchronization,ERD/ERS)现象出现的神经机制和m节律信号是由运动皮层产生为依据,选择μ节律信号的时域和频域ERD量化值作为运动皮层活跃测度,对不同视听引导条件下的运动皮层状态进行分析,结果表明:视听联合引导下运动皮层的活跃度最高,视觉引导次之,听觉引导较低,单一运动想象最低;而且视觉对皮层状态的影响大于听觉对皮层状态的影响。(3)EEG信号特征提取。针对传统共空间模式(Common Spatial Pattern,CSP)方法中存在的导联太少特征分类精度不高以及特征提取中频域信息体现不充分的问题,提出了一种基于平稳小波包变换(Stationary Wavelet Packet Transformation,SWPT)的CSP方法,对EEG信号进行SWPT分解重构,选取每个导联中按特征节律波划分的四个频段分解信号,三个导联共12个信号作为CSP方法的输入信号,分类结果表明该方法明显优于CSP方法,一定程度上解决了既想EEG导联少,又要识别精度高的问题。针对多元多尺度熵计算中,多导联脑电信号导致计算量过大以及特征缺乏鲁棒性的问题,采用了一种改进的多元多尺度熵(Improved Multivariate Multi-scale Entropy,IMMSE)算法,算法中多元延迟向量的扩展方法提升了计算效率,仿真结果表明该方法在EEG中提取的特征具有良好的可分性。(4)分类器设计。针对当前脑电信号模式分类时存在的正确率较低的瓶颈问题,引入差分进化算法对最小二乘支持向量机分类算法进行优化,比较了该差分-最小二乘支持向量机与支持向量机、最小二乘支持向量机的分类情况,识别率在IMMSE、SWPT-CSP两种特征上都有大幅提升。当特征为IMMSE时,分别提高2.75%和4.25%;特征为SWPT-CSP时,分别提高4.75%和5.25%。并对不同特征和不同引导条件的分类识别率进行了分析,实验结果表明:CSP、SWPT-CSP和IMMSE三种特征中,SWPT-CSP分类效果最好、IMMSE次之、CSP最低;四种不同的引导条件中,分类识别率:视听引导>视觉引导>听觉引导>单一运动想象,并且视觉引导对分类识别率的影响大于听觉引导。