脑电信号处理作为脑机接口的基础,在神经科学、医学、生理学等研究领域发挥着重要的作用,关于脑电信号处理方法的研究已经成为脑机接口研究的一个重要课题。目前常见的脑电信号处理方法如独立成分分析等都是从信号的“源”出发通过一系列变量的线性叠加来近似原信号。本文针对脑电信号的处理,从信号的组成部分出发,提出了一种新的假设:脑电信号是由背景信号与任务意识信号组成,固有背景信号是被试在任何状态下所具有相对稳定的脑电信号,任务意识信号是由被试在特定任务下由相应皮层神经元激活所产生的,而实际采集到的脑电信号是以上两者和噪声的混合叠加。然后本文从以下几个方面对脑电信号处理进行了研究。1)本文提出了基于低秩稀疏分解的脑电信号处理方法。首先对低秩稀疏分解进行详细的研究,并简单介绍了一些算法。然后基于低秩稀疏分解处理脑电信号,建立脑电信号的低秩稀疏分解模型,认为脑电信号是由低秩的固有背景信号与稀疏的任务意识信号叠加而成,进而探索新型的脑电信号处理方法。2)本文提出了基于脑电信号低秩部分的身份识别方法。为了研究脑电信号的低秩部分为固有背景信号,是被试在任何状态下所具有的相对稳定的脑电信号,在身份识别中,基于低秩稀疏分解算法去除脑电的任务意识信号,分析被试的固有背景脑电,进而完成身份识别。首先对原始脑电数据进行滤波,基于GoDec算法对滤波后的数据进行分解,将得到的低秩部分基于相位和幅值信息进行一次特征提取,得到相位同步特征,随后将低秩部分与原始脑电信号相结合投影到子空间中,进行二次特征提取,最终使用稀疏表达分类器进行分类。3)本文提出了基于脑电信号稀疏部分的运动想象认知任务分类方法。为了研究脑电信号的稀疏部分为任务意识信号,是被试在特定任务下由相应皮层神经元激活所产生的脑电信号,在运动想象分类任务中,基于低秩稀疏分解算法提取任务意识信号,分离被试的固有背景信号进而进行运动想象分类。首先将原始脑电数据分别基于GreGoDec算法和MBRMF算法进行处理,分解出脑电信号的稀疏部分,尝试提取出脑电信号的任务意识部分,而后使用共同空间滤波算法进行特征提取,最终使用线性判别分类器进行分类。本文基于低秩稀疏分解方法对脑电信号进行处理,针对不同应用选取不同部分进行研究,为脑认知科学提供了新的方法与思路。实验结果表明基于低秩稀疏分解方法的脑电信号处理方法在两方面应用中均优于原信号。特别是在原信号效果不好的theta频段,低秩部分的身份识别结果提高10%左右并且相当稳定。