脑机接口(Brain-Computer Interface,BCI)是一种通过人的大脑与外部世界交流的技术,涉及计算机科学、康复医学、信息处理等领域,是一种新的人机交互方式。BCI系统通过分析识别脑电信号并将其转化为对外界设备的控制命令,为严重残疾、失去部分运动或表达功能的患者提供了与外界交互的机会。卷积神经网络(CNN)是一种常用的分类脑电信号的算法。由于其具有局部连接和权值共享的特性,能够提取脑电信号深层次的特征,在脑电信号的分类研究中有出色表现。CNN的分类性能包括分类精度、分类速度以及泛化能力等方面。由于原始数据量的问题,大多数提升分类算法性能的方法是不断改进算法结构以适应已有的带标记数据,虽然有些文献的分类精度已达到很高的水平,但因受到数据库样本数及被试者数量的限制导致其泛化能力不强的问题仍亟需解决。提高分类器泛化能力最理想的方法是使用更多带标记的训练数据。但由于运动想象脑电信号的实验设计与数据采集对专业技术及客观环境要求较高,所以目前比较权威的数据库大多数都是在使用有限的几个竞赛数据集,其中的被试者的数量及所采集的有效数据较少,严重制约了相关研究工作的开展。因此在本文的研究中,我们借助于在已有竞赛数据集的研究成果的基础上自建数据集并训练分类器,着重于提高分类器对于在不同测试模态下及更广泛的被试所取得数据的适应能力。关节等细微动作运动想象的成功分类能够使脑机设备更灵活、精确,对BCI的实际应用具有十分重要的意义。但已有的公开数据集仅有指关节弯曲程度的分类数据,如需开展相关研究必须依赖自建数据集支撑。但自建数据集最重要的一点是证明数据的有效性,而BCI数据集采集及正确性校验难度很大,使数据集的自建工作面临极大困难。本文采用的方法是把竞赛集数据作为训练集来训练分类器,然后分别使用竞赛集数据和自建数据集的数据作为该分类器的测试集进行分类。当自建数据集的分类精度达到某个预设(>60%)准确率时,我们认为该被试已经成为一个合格被试,其数据准确度已经能够接近竞赛集数据的水平。本文中使用CNN作为分类器并对其进行改进。通过不断筛选合格被试数据至训练集,不断扩充并建立起一个具有较多数据并符合测试条件的自建数据集,为今后的研究工作打下基础。准确识别更细微的、更多的关节及肌肉群的动作是BCI在实际应用中的一个重要研究方向。由于缺少相关数据,此前未有过针对腕关节活动运动想象的分类研究。本文通过对比竞赛集数据证明了被试关于手、脚和舌部位的运动想象的准确性,在此基础上该被试能够做出比未经训练的人更准确的运动想象,从而为拓展研究范围建立基础。我们对训练好的被试增加腕关节的运动想象,达到了约82%分类准确率。