脑-机接口是一种新型人机交互技术,不需要依赖外周神经通路和肌肉组织,而是通过获取和解析脑电信号直接控制外围设备。脑-机器人交互系统基于脑-机接口技术,以大脑为中心,以机器人为控制对象的人机融合控制系统。随着脑-机器人交互系统的不断发展,已广泛应用于医疗、教育、娱乐、军事等领域。为了提高脑-机接口系统中基于稳态视觉诱发电位信号的分类准确率,本文发展了一种Fisher+Fuzzy组合的分类算法,该算法将获得的脑电信号通过CCA进行空间滤波,再将滤波后的脑电特征通过Fisher运算获得最佳投影面,然后计算样本点到投影面的距离d,最后通过模糊算法对距离d进行模糊化,得出分类结果。在SSVEP多分类问题中,单一Fisher分类器难以对处于歧义区的样本进行有效分类,本算法解决了该问题,同时大大消除了被试者对于不同频率刺激的敏感程度不同所带来的影响。本文将此算法与单一Fisher分类器和常用的SVM分类器进行比较,并从平均分类准确率、方差等角度对算法进行分析。结果表明此算法有更高分类准确率,且普适性更好。Fisher+Fuzzy分类算法使系统准确率得到提高,但是需要相应的参数优化算法,增加了算法的复杂度。为了降低其复杂度,增加在线实时性,本文将有限穿越可视图复杂网络应用于SSVEP分析中,并将其与可定制可编程的机器人相结合,搭建了基于复杂网络分析方法的脑-机器人交互系统,使机器人完成在线避障任务。该系统包括具有四个闪烁图片的激励界面,通过对脑电信号进行网络建模,提取度值,根据度值大小输出四个指令,用于控制机器人的前进、左转、右转和后退使其完成避障任务。具体分析和验证了复杂网络在脑-机接口系统中的实际应用。本文设计了一款基于脑控系统EEG信号分析的工具箱,其中包括了上述方法及一些常用于EEG信号预处理、特征提取和模式分类的方法。该工具箱可对两种常用的文件格式进行数据读取,对采集到的脑电信号进行检测、各通道显示、滤波、降采样等,并针对脑控系统中常用的诱发范式SSVEP、P300设置了专门的模块,将相应的算法加入到各个模块中,使得脑控系统信号分析更为便捷。