论文分析的运动想象脑电(MI-EEG)是一种自发脑电,与国内外大多数起源于诱发事件相关脑电位(ERP)的BCI模式不同,不依赖外部刺激产生用于控制的脑电信号,较符合人正常的生理状态.运用匹配追踪算法(MP)对MI-EEG进行时频分析,观察主要频率成分与分布特点;基于经典的事件相关去同步/同步分析(ERD/ERS),提出改进的全局频率观察方法,并利用MP分辨微观的频率分量,为主要频率的选择提供科学的定量的依据.该文采用自适应自回归(AAR)模型表示MI-EEG信号,正是自适应滤波技术在生物医学工程领域中的一个具体应用.基于自适应滤波理论的不同算法,能够在实现AR参数建模的同时,实时跟踪和适应系统或环境的动态变化,并且所得时变参数可构成时变的功率谱.辨识方法则采用线性判决分析(LDA),来快速而简便地识别不同状态EEG.论文从系统的角度致力于MI-EEG的时频分析和AAR建模与辨识,研究了以下几个问题:1.介绍了采用随机时频函数词典的匹配追踪算法(MP)的基本原理及其在MI-EEG分析中的应用.模拟信号分析表明MP算法可在强噪声背景下表达信号的基本时-频特征.MP算法也分析出了脑电特定频率成分(如α波、β波)的一些规律,它们符合运动相关的mu节律的结论,且初步观察到事件相关EEG现象.2.在神经生理学原理基础上阐明了事件相关去同步(ERD)和事件相关同步(ERS)分析研究的意义;在对经典分析方法进行研究的基础上,提出简单有效的ERD/ERS波形拓扑图法;引入基于匹配追踪法MP的分解参数,采用平均时间-频率能量分布图,更微观地观察MI-EEG的时频分布,达到精确地研究ERD/ERS规律的目的.3.详细推导了递归最小二乘算法(RLS)、最小均方算法(LMS)和卡尔曼滤波(KALMAN)等常见的自适应算法,在此基础上总结出这些算法的伪代码,以便把它们应用到后续的脑电分析中.4.在对自回归模型AR和自适应自回归模型AAR的不同之处进行比较后引出了时变功率谱分析方法,提出自适应自回归模型的合适度准则REV;然后分析了不同自适应算法的实现.然后介绍了线性判决分析LDA的原理.通过实验数据的分析,展示了AAR模型的特点和REV标准对其他参数的参考意义,实现了AAR与线性判决分析(LDA)结合对离线MI-EEG的判决.