脑-机接口是一种大脑与外部设备之间直接进行通信的控制技术,在运动功能障碍修复、医疗诊断和预测、安全与认证、游戏控制等领域有着广泛的应用前景。其中运动想象脑-机接口不依赖于外部刺激,仅仅依靠使用者自发的大脑活动就可以完成控制任务,受到众多研究者的热切关注。本文基于两类运动想象脑电信号建立脑网络并进行特征计算和分析,进而对网络进行特征提取并最终利用支持向量机实现对信号的模式分类。本文主要完成了下列三项研究工作和成果。(1)脑电信号采集及预处理。采集十二名被试首次参与运动想象实验的脑电信号,并对运动想象脑电数据进行参考电极标准化、去基线、滤波、数据截取和去伪迹等预处理操作。(2)脑网络构建及特征分析。本文选取15个电极导联作为网络节点,计算节点间的相干系数值和相位锁定值作为网络的连接边,构建运动想象功能网络。利用图论分析方法计算网络的节点度、聚类系数、特征路径长度和全局效率四种网络属性。通过分析发现被试运动想象过程中右侧感觉运动区的节点度和聚类系数显著大于左侧感觉运动区。67%的被试右侧感觉运动区上左手运动想象的节点度和聚类系数高于右手运动想象。67%的被试左手运动想象功能网络的特征路径长度短于比右手运动想象。58%的被试左手运动想象功能网络的全局效率比右手运动想象高。这些结果证明左右手运动想象脑电信号在网络属性方面存在差异。(3)脑网络特征分类。分别将基于脑功能网络和共同空间模式(Common Spatial Pattern,CSP)特征提取算法得到的七种特征集作为支持向量机的输入特征,进行模式分类,并将得到的分类正确率进行对比分析。结果表明网络特征集及联合特征集的平均分类正确率都高于CSP特征集,网络属性与邻接矩阵空间特征的联合特征集的平均分类正确率为66.97%,与CSP特征平均正确率相比提高了7.01%,其中单个被试分类正确率最高达81.49%,比相应CSP特征分类正确率提高了15.13%。本文的研究结果表明基于脑网络的运动想象脑电特征有助于提高运动想象脑-机接口的识别正确率。