随着神经成像技术的发展,借助脑电图(electroencephalogram,EEG)信号研究大脑产生各种心理、情绪和感知等高级功能的原理,能够提高对结构精致、性能高效的大脑的认识。然而,EEG具有微弱、随机、时变、强背景噪声、以及非平稳的特点,精准剖析EEG隐含的信息仍旧是一个亟待解决的问题。本文首先研究不同模式与脑区活跃程度的关系,通过溯源分析脑区的状态,提高对大脑的认识。同时,针对EEG信号分类准确率低的问题,提出了联合多节律信号与共空间模式(Common Spatial Pattern,CSP)来提取P300电位特征的方法,最后结合稀疏表达等知识从数据分析的角度改进分类器,提高分类准确率。本文的主要研究工作如下:(1)溯源分析。本研究随机选取15名在校学生作为被试者,记录在安静、长笛、古筝三种音乐环境下学习过程中的脑电信号,运用偶极子定位法分析信号源在大脑中可能出现的区域以及能量的强弱,从而对脑信号变化进行追踪。同时,实验利用电流密度重构法分析各个脑区的活跃情况,研究任务态的不同模式与脑区活跃程度的关系。(2)特征工程。当人体处于不同的生理状态时,在大脑皮层产生的各种节律信号的能量也是有差异的。通过对EEG信号的多维有效特征向量如时域特征、频域特征、空间特征等研究,本文提出了多节律EEG信号与CSP相结合的频域空间特征构建方法,来准确捕获EEG的模式识别信息。(3)基于稀疏表达的分类模型。主要负责对特征化的数据进行建模分析,构建多模式的识别模型,本文利用稀疏表达作为分类模型。其中,弹性网络作为约束不仅使得系数稀疏,而且解决了过拟合的问题,系统的泛化能力也得到提升。实验结果将从以下两个方面进行说明:1)通过实验发现音乐在被试者学习过程中可能有助于提高注意力;2)实验说明本文的方法能获取EEG有效的模式识别特征,分类效果达到了90.30%,证明了当前检测模型的高识别率。