人脑是极为复杂的系统,负责控制和调节人体的思维、语言、情感和运动等活动。脑科学的两大主要研究内容是脑机制的探索以及计算,而传统脑科学主要以单脑为研究对象,缺少跨脑交互计算方法研究。其中,脑机接口（Brain Computer Interface,BCI）是脑科学领域的研究热点,多人混合脑机接口为设计和开发可靠、实用、多自由度BCI技术提供了一种新的思路。脑电图（Electroencephalogram,EEG）超扫描是一种同时记录多人脑电信号的新兴技术,具有高时间分辨率和相对低成本的特点,可为探索和理解跨脑交互提供数据支持。因此,本论文研究了双人跨脑EEG数据分析方法和算法实现,具体地,系统研究了 EEG特征提取和选择与分类,并重点在双人情感和运动想象空闲态识别的实验范式设计和交互计算中进行了应用与扩展。本文的主要贡献和创新点有以下几个方面:1.EEG特征提取及其在跨脑处理中的应用:本文系统地分析了以下三类EEG的特征提取方法,包括功率谱估计、复杂度和脑连接,并将其应用在跨脑的EEG信号处理中。在跨脑PSD计算中,引入交叉谱分析法;在跨脑复杂度计算中,主要研究跨脑转移复杂度;本文提出了跨脑连接的计算并基于此研究了脑网络的构建方法及利用脑网络的特征参数来描述跨脑的信息流动情况。2.基于典型相关分析（Canonical Correlation Analysis,CCA）的特征融合算法与分类优化:算法包括组合和求和两个策略,将不同的特征进行融合,既可以避免过拟合又可以提升特征代表性。本文提出了基于头脑风暴的改进蛙跳寻优算法,该算法修改了蛙跳规则,增大了选择空间并基于头脑风暴“主持者”指出迅速收敛方向,经验证,该算法具有更好的寻优性能,可应用于EEG常用分类器SVM和LDA的参数寻优。3.提出了基于相位同步（Phase Locked Value,PLV）脑网络分类方法:传统EEG分类研究,只是针对某一特定任务的数据有效,本文提出了一种跨数据集的EEG分类方法。首先对预处理后的EEG计算其PLV值,设定阈值后,转化为二值网络;然后提取网络的度、聚类系数和全局效率特征;通过两个BCI公开数据集、神经经济学和疲劳驾驶数据数据集进行分类正确率对比,验证了该方法的有效性和可靠性,并将其扩展至跨脑数据分析中。4.提出了双人情感分类识别方法:传统的基于EEG情感分类计算是以单脑（单一被试）为研究对象,而未考虑跨脑的交互影响,本文是首个进行了双人情感分类计算的研究。先提出了一个基于功率谱密度和跨脑PLV的双人粗粒度（二分类,正向和负向）情感分类计算方法,包括实验设计、不同节律的单脑和跨脑PLV特征提取、不同分类器进行分类性能验证;后提出了一个基于跨脑相位滞后指数（PLI）深度模型情感细粒度（四分类,“生气”、“恶心”、“中性”和“高兴”）分类计算方法,包括实验设计、事件相关电位（Event Relate Potential,ERP）、单脑（intra-PLI）和跨脑 PLI（inter-PLI）连接计算、hPLI-Conv 深度卷积网络（inter-,intra-PLI-Conv）设计并进行分类性能分析。结果显示,在粗粒度情感分类计算中,融合功率谱密度和跨脑PLV的集成树分类器性能最好;在细粒度情感分类计算中,四类情感ERP具有显著性差异,被试反应顺序ERP无显著性差异,inter-PLI的值低于intra-PLI,基于inter-PLI-Conv具有最好的分类性能,最高达83.3%。5.提出了双人运动想象空闲态识别方法:脑机接口包括异步和同步两类,其中,异步脑机接口可以实现自由控制,其实现难点在于分区任务态和空闲态。本文首个进行了双人运动想象空闲态识别方法研究,设计了一个双人的运动想象实验范式,并分别提出了基于共空间模式（CSP）和跨脑最小生成树网络属性以及基于跨脑PLI的深度模型两个识别方法。每种方法中设计了多种融合策略。前者采用原始信号数值平均和单脑通道拼接两种策略提取跨脑CSP特征,结果表明融合跨脑CSP和跨脑网络属性具有最佳的分类性能;基于跨脑PLI的深度模型识别方法,设计了一个深度卷积网络并对比了单脑、跨脑和融合单脑的分类性能,结果表明跨脑PLI深度模型具有最佳分类性能,其中alpha频段显著性高于其他频段且融合单脑的分类性能也优于单脑。