脑机接口是人机交互领域一个重要分支,而基于运动想象的脑机接口更是在医疗、军事、民用等方面都有重要的研究价值,该模式下的脑机接口主要针对多种运动想象任务下的脑电信号进行分类,以达到对人脑中想象的肢体运动意图进行识别的目的。传统的研究方向主要集中在对单个物理域特征进行深挖研究,或是对多个物理域特征进行简单组合来强化识别特征,未能有效地将脑电信号作为整体进行分析,因此这些方法对于运动想象脑电信号的识别能力有限,整个模型的泛化能力亦有限。针对上述分类模型识别率不高、泛化能力不佳的问题,本文将从对简单二分类脑电信号建模出发,通过完成对二分类模型的建模,进而将目标提高到解决多分类脑电信号的分类问题。针对二分类运动想象脑电信号,本文提出了一种基于改进的多层感知器模型对脑电信号进行时频空间三物理域的特征融合与分类。通过对公共数据集中的二分类脑电信号进行特征提取,并根据传统单特征分类方法得出的结果,选择使用改进的多层感知器结构,它能将数据按照物理域进行抽象处理从而再融合。该方法对于二分类公共数据集识别率能够达到89.13%。在二分类模型的基础上,针对多人多分类运动想象脑电信号识别问题,文章提出了一种基于张量的连续小波时频特征图提取融合方法,通过使用在处理图像方面识别率良好的卷积神经网络,构建出一套新的多分类脑电信号模型。通过对多分类运动想象脑电信号数据集进行处理分析,本文提出的分类模型较使用同数据库的分类模型的识别率提高10.15%,达到85.51%的四分类识别率。但由于公共数据库的样本数量少,文章因此通过自建数据库来验证所建立的多人多任务模型的有效性,通过对实验流程的设计、预演以及实际操作,文章搭建了一个总时长为763分钟的多人多分类脑电数据库。使用上述多分类脑电信号识别模型对自建数据库进行处理以及分析,表明该模型对于不同受试者、不同运动想象模式的识别泛化能力好,验证了自建数据库内数据的有效性,同时验证了基于张量的时频特征图集合卷积神经网络模型对于多分类运动想象脑电信号的分类效果以及泛化能力好。综上所述,文章通过对公共数据库运动想象脑电信号进行分析,得到识别率高、泛化能力良好的多人多分类运动想象脑电信号识别模型,并通过自建数据库验证该模型的有效性。