大脑是神经系统最高级的部分，探索大脑更深层的奥秘是新世纪人类面临的巨大挑战。脑机接口成为神经或肌肉损伤患者与外界之间的沟通媒介。脑机接口系统已经广泛应用于智慧医疗、航空航天和军事方面等诸多领域。基于运动想象的脑机接口康复系统能够帮助脑卒中患者进行康复训练和恢复运动功能。该系统主要通过对脑卒中患者脑电分析进行模式识别并控制外部设备。由于采集脑电数据的实验繁琐，需要被试者保持长时间的注意力集中且需要佩戴不舒适的脑电采集设备，以及脑卒中患者数据分散在不同的实验室很难达成数据共享，导致脑卒中患者的数据集匮乏。为了更加深入地研究基于运动想象的脑机接口康复系统，必须增加脑卒中患者数据的数量。
　　本文立足于脑机接口的信号处理模块开展研究，扩充脑卒中患者的数据集。对生成对抗网络进行充分的研究，利用循环一致对抗网络生成脑卒中患者的脑电数据扩大脑卒中患者数据集并实现端到端的特征提取和分类，主要内容有：
　　1.采用基于特征提取的一维脑电数据转二维频谱图的方法。该方法在特征提取的基础上，将脑电数据转化成二维彩色频谱图。特征提取方法主要用到主成分分析法和改进S变换。通过该方法得到的频谱图不仅可以保留电极位置信息和包含特征信息，而且更有利于进行左右手运动想象任务的分类算法研究。此方案最终取得满意的转换效果。
　　2.提出基于改进的循环一致对抗网络的脑电数据生成方法。该方法改进原始的循环一致对抗网络，主要体现在生成器中转换器网络结构的改进。改进后的生成网络拥有更少的参数量，从很大程度上减少算法的复杂度，使得网络更容易训练。同时可以减少过拟合现象出现的可能性。通过最后的生成结果比较，最终证明改进的循环一致对抗网络能获得更高质量的频谱图。
　　3.本文使用卷积神经网络实现端到端的脑电数据分析。该方法主要是将卷积神经网络应用到运动想象脑机接口系统的特征提取和分类识别中。该方法也将从另一个角度分析生成频谱图的有效性，通过输入不同比例的原始数据和生成数据，比较分类结果判断改进循环一致对抗网络的脑电数据生成方法的可行性。此方案可以获得较好的分类结果且可证明生成的脑卒中频谱图的有效性。
　　本文的研究工作有利于进一步推进基于运动想象脑机接口技术的发展，推动深度学习算法在脑机接口领域的应用。