脑-机接口(Brain-Computer Interface, BCI)是一种全新的人-机接口方式,它不依赖于人体的外周神经与肌肉系统,直接从大脑获取与外界通讯的信息。研究和发展BCI技术最主要的目的在于设计出基于脑电信号的控制装置以帮助严重的残疾患者以及严重的交流障碍患者恢复控制和交流功能。研究脑-机接口是人类对脑电活动规律不断认知的过程。本文研究的主要目的是寻找合适的信号采集与处理方法,提高信号处理的分类的准确率。研究离线脑-机接口的最终目的是建立稳定、可靠、快速的在线BCI系统,帮助瘫痪病人恢复肢体运动或实现对外界的控制。实验中的数据采集自五名健康实验者的脑电信号,针对小样本运动想象脑电的特征提取和分类算法进行了离线研究。论文分析了脑电信号产生的机理,论述了脑电信号处理的一般方法。本文主要采用了三种特征提取的方法,分别是小波系数、相对小波能量、和基于最小二乘估计法的AAR(Adaptive Auto-Regressive model, AAR)模型系数。由于小波变换的多分辨率特点,很适合提取脑电信号特征。相对小波能量能反映信号不同频带所含能量及整个信号段能量随时间变化的特征。AAR模型的系数估计相比于AR(Auto-Regressive, AR)模型,它的系数是随着时间的变化而变化的,因此可以表述非平稳信号的特征,比对信号做加窗的AR模型估计有着许多优点。实验表明,这三种特征提取方法适合脑电信号的分析。模式识别分类方法具有很多种,本文在充分考虑到信号样本数和特征维数的基础上选择了贝叶斯决策分类器和支持向量机分类器。由于现有的实验条件和数据早期的预处理等原因最终得到的分类结果不尽如人意,但仍然证明了文中所采用的方法是可取的。该研究为在线脑-机接口系统的实验研究积累了经验,奠定了基础。