脑-机接口系统为大脑和外部设备之间构建一条新的不依赖于外围神经和肌肉的信息传输通道,它不仅可以让丧失肢体运动能力的患者通过大脑直接控制外部设备完成一些生命活动,从而提高他们的生活自理能力;还可以为那些因神经通路出现故障而存在运动功能障碍的患者进行康复训练,帮助他们重建神经连接,恢复运动能力。在脑-机接口系统中最关键的技术是EEG解码,目前基于深度学习的方法虽然在EEG解码领域取得了较好的结果,但是依然面临着一些挑战。本研究针对基于深度学习的MI-EEG解码领域面临的一些挑战提出了相应的解决方法,并根据所提出的MI-EEG解码方法搭建了基于脑-机接口的上肢康复系统。本研究为了缓解过拟合问题提出了一种基于循环平移策略的数据增广方法,该方法通过调整循环平移步长可以得到大量保留了原始样本主要时间特征和空间特征并且具有一定差异的新样本,此外该数据增广方法不会引入额外噪声也不会丢失原始样本中的部分数据。为了提高不同类别样本在特征空间中的区分度,本研究提出了一种基于中心距离损失、中心向量漂移过程和中心向量更新过程的高区分度特征学习策略。该方法通过中心距离损失的约束使得同类样本在特征空间中的距离减小,通过中心向量漂移过程使不同类别样本在特征空间中的距离增大,并通过中心向量更新过程削弱初始值的影响并使中心距离损失更好地收敛。为了克服无关噪声对MI-EEG解码过程的干扰,本研究提出了一种基于特征分离的MI-EEG解码方法。首先基于对抗学习的思想设计了一种基于深度学习的特征分离框架来对输入样本中类别相关特征和类别无关特征进行分离,然后忽略类别无关特征,仅根据类别相关特征进行解码,从而极大克服无关噪声的干扰,提高解码准确率。本研究还提出了一种基于双分支3D CNN的MI-EEG解码方法来充分利用MI-EEG信号中与电极分布相关的空间特征,同时避免特征提取过程中时间特征和空间特征之间的相互干扰。首先,采用了一种简洁的MI-EEG数据3D表示方法将每个MI-EEG样本表示成一个3D数字矩阵,然后设计了一种双分支3D CNN模型通过一个时间分支和一个空间分支来分别提取时间特征和空间特征,从而避免时间特征和空间特征之间的相互干扰。最后,本研究根据所提出的高区分度特征学习策略、特征分离方法、双分支3D CNN模型构建了一种用于MI-EEG解码的组合模型,并且基于该组合模型搭建了一种用于上肢康复训练的脑-机接口系统。该系统首先通过数据采集设备采集被试者的MIEEG信号,然后通过该组合模型对所采集的MI-EEG信号进行解码,接着将解码结果转换为控制信号发给执行模块,最后执行模块带动被试者的上肢执行相应的康复运动。本研究为了验证所提出的这些基于深度学习的MI-EEG解码方法的有效性,分别在著名MI-EEG公开数据集上对所提出的这些方法进行了大量实验,实验结果充分证明了这些方法可以有效提高解码准确率。此外,本研究还邀请了一些志愿者进行实验,通过离线实验和在线实验的结果证明了解码方法的有效性和所搭建的用于上肢康复训练的脑-机接口系统的可行性。本课题的研究有望进一步提高脑-机接口系统的准确性和稳定性,不仅具有重大的科研意义和社会意义,而且具有非常广阔的应用前景。