脑-机接口(Brain-Computer Interface,BCI)是一项不依靠自身的神经和肌肉组织实现脑电信号对外部设备的控制和通信的技术。《Nature》在2019年发表了一项突破性的研究成果,科学家成功解码脑电波,将大脑活动合成语音表达出来,真正将“读心术”变成现实。未来,脑-机接口技术在智能家居、军事、教育及康复医疗等领域都将会有着广泛的应用。基于近年来对大脑的研究和认识,脑电信号的研究成果也逐渐用于脑部疾病的诊断及神经系统疾病的干预治疗。基于运动想象的BCI(Motor Imagery-based BCI system,MI-BCI)系统将被试者想象自身运动产生的脑电信号作为控制信号输入到BCI系统,经过计算机一系列的算法处理实现对外部设备的控制和信息交互,通过外部硬件设备正确表达被试者的意图。BCI系统的信号处理部分主要是将脑电信号处理成为计算机能够识别并执行的命令,如何能够快速的提取并识别脑电信号中携带的信息是BCI系统研究的一个重要课题。基于2008年国际竞赛数据IV中2a数据,本文设计了基于四类脑电信号的信号处理系统。主要工作有:(1)预处理运用独立成分分析滤除脑电信号中掺杂的多种伪迹信号(眼电、肌电和心电)和噪声干扰,增强了脑电信号的频域特征。之后运用Stockwell变换(S变换)将一维时域脑电信号转换为二维时频域,分析脑电信号的时频域能量变化,捕捉有用的脑电信息,分析脑电信号时频域特点。根据S变换中脑电信号的时频信息,求每个通道基于频域的功率谱密度(Power Spectral Density,PSD),所有通道的PSD共同构成CNN的输入特征图;(2)数据集中采集的脑电信号是连续的,其中除了包含运动想象实验的信号外还包括了大量无用的脑电信号,复杂的实验过程使脑电信号的有用样本较少。而卷积神经网络通常处理较大样本问题,较小样本使神经网络难以学习到信号有用的特征,使得信号处理系统难以收敛。为了解决实验数据不足问题,本文使用给信号加滑动时间窗和添加高斯白噪声两种方法实现数据增强,为之后的深度学习算法提供充足的数据支持;(3)S变换构造的特征图包含了脑电信号的时域、频域和空间特征,特征提取部分使用卷积神经网络(CNN)的卷积池化层提取脑电信号时频信息及位置信息。根据提出的CNN框架设计出并行CNN(PCNN)结构,将多个CNN并列共同训练提取不同特征图的特征,网络中的全连接层融合所有特征信息,最后使用支持向量机(SVM)代替神经网络中的分类层完成脑电信号的分类任务。PCNN与CNN的分类准确率为83.2%和84.1%,PCNN结构的脑电信号分类准确率优于CNN,并且PCNN的运行时间比CNN快了5倍,PCNN-SVM的分类准确率达到86.6%,高于PCNN的分类结果;(4)脑电信号中携带的冗余特征影响系统的分类性能,PCNN提取的脑电信号中的多组特征信息,一些可能是多余的,不能提升分类器的分类性能反而增加分类器的训练时间。本文使用蝙蝠算法(Bat Algorithm,BA)对PCNN全连接层融合的特征权值进行优化,选择最具有判别意义的特征子集,减少了用于分类识别的特征值的数量,改善系统的分类性能。通过本研究所提出的信号处理框架,四类脑电信号的分类性能得到提升,为多类脑电信号的分类提供了理论依据,也为基于运动想象的BCI系统的研究应用提供思路。