为了提高运动功能障碍的残疾人和肌肉受损的老年人的生活质量以及独立生活的能力,近年来科研人员提出了一种大脑和外围被控设备直接进行信息沟通的方式,即脑机接口技术(brain-computer interface,BCI),在神经工程领域具有较好的应用前景。目前脑机接口研究主要是基于单一类型的脑电信号(Electroencephalogram,EEG)的BCI系统,只能识别简单命令,不能达到实际应用要求。融合不同类型EEG信号的混合脑机接口(Hybrid BCI)系统能够较好的解决这一问题,是目前脑机接口的研究热点。本文研究了基于稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)与运动想象(motor imagery,MI)的混合BCI系统。通过将SSVEP与运动想象信号串行融合,增加了识别任务的数量,完成了在线控制Dobot机械臂写字实验。本文的具体研究工作如下:(1)实验设计。分别设计了SSVEP实验范式、运动想象实验范式和混合实验范式。在运动想象实验范式中,设计了友好的运动想象提示界面来采集EEG信号。在SSVEP实验范式中,在考虑刺激方式,刺激目标大小,刺激目标布局等因素下,研究了刺激频率,电极位置等对SSVEP特征的影响。并采用了SSVEP实验范式中的最优结果设计了混合实验范式。(2)对两种范式下采集到的EEG信号进行特征提取。在运动想象范式下,对原始信号进行预处理,利用短时傅里叶变换方法(Short-Time Fourier Transform,STFT)对信号进行了特征提取,结果表明了电极通道选取的有效性以及mu节律具有明显的ERD/ERS现象,并通过mu节律二阶矩能量方法来进行EEG信号特征提取,节约了处理时间。在SSVEP实验范式下,采用小波去噪方法去除了低频干扰部分,并针对其明显的频率特性,利用基于典型相关分析(Canonical Correlation Analysis,CCA)的空闲状态检测方法对信号进行了处理,分析出了最优参数和阈值。并与功率谱密度分析方法(power spectral density analysis,PSDA)进行了对比,结果表明CCA能够更加有效的提取信号特征。(3)脑电信号分类。本文对线性分类器和支持向量机(Support Vector Machine,SVM)分类器进行了研究,对于SVM分类器中的惩罚因子C与核函数g的选取问题,利用交叉验证算法选择出最优参数,提升了SVM分类器的性能。并通过不同分类器完成了对运动想象信号特征的分类,达到了预期效果。(4)本文通过便携式脑电采集设备Emotiv设计并搭建了一种新颖的在线混合BCI系统,实现了在三维空间下对Dobot机械臂多个命令的控制。在在线混合BCI系统,六名受试者参与了该实验并完成了书写英文单词任务,并且Dobot机械臂写字任务的平均准确率是89.73±2.77%。综上所述,本文提出的基于SSVEP和运动想象的混合BCI系统能够实现对Dobot机械臂的在线控制,具有较好的鲁棒性和稳定性,也为脑机接口技术在家庭环境下的应用拓展了新思路。