脑-机接口技术通俗来说就是一种大脑与机器直接进行交流的科学技术,它的主要特点是不需要外周神经和肌肉组织的参与,只需采集人在进行思维活动时产生的意念——脑电信号,并对信号进行处理、分析、识别,形成表达人控制外部设备意念的控制信号,实现与外部世界的交流与控制。该技术已被应用于医疗健康、军事国防、汽车驾驶、游戏娱乐等领域,因此其不仅具有重要的理论研究价值,还具有较好的应用前景,已成为当前各个国家的研究热点。考虑到运动想象脑电信号包含丰富的运动信息,能避免电极植入人脑的风险以及获取成本较低等优点,本文以其作为分析对象。本文在国家自然科学基金资助项目的支持下,首先简要叙述了脑电研究的相关背景以及重要意义,概述了脑-机接口的研究现状,介绍了脑电信号的特点以及脑-机接口的组成,对脑电信号的预处理、特征提取、模式分类的方法进行了简要分析和总结,最后提出了一些尚未解决的问题,并针对这些问题开展研究。本文完成了以下研究工作:(1)脑电信号的预处理:本文采用非线性多尺度方法脑电信号机进行消噪,该方法能提高运动想象脑电信号的信噪比,在一定程度上去除一系列的无关信号,从而为接下来提取信号特征以及为信号进行分类提供较好的前提条件。(2)脑电信号的特征提取:本文将脑功能网络引入到脑电特征提取的研究中,提出了一种基于感兴趣脑区Lasso-Granger因果关系的新方法,克服了当前基于孤立脑区的研究方法的不足。先利用主成分分析提取各感兴趣区的最大主成分,然后计算它们之间的Lasso-Granger因果度量,并将其作为特征向量,为脑电特征提取研究提供了新的思路。(3)脑电信号的模式分类:本文提出了一种具有增量学习能力的孪生支持向量机方法,来提高分类器的分类精度、速度、自适应能力以及实用性。首先,建立孪生支持向量机的初始模型作为后续增量扩展算法的基本模型;其次,将增量学习引入到分类模型的构建中,从而使个体具有较好的自学习和修正性能,提高BCI系统的自适应能力和分类精度。除此以外,本文还利用粒子群算法对孪生支持向量机进行参数寻优,以获得最佳的分类效果。本文是基于运动想象脑电信号处理方法的研究,所提方法均用MATLAB语言编程实现,验证了算法的有效性。