脑机接口融合了神经科学、人工智能和信息技术等多领域学科,为人机交互提供了一种新的途径。基于运动图像的脑-机接口(BCI)技术可以让人们通过有意识的控制直接与外界交流,而无需依赖肌肉和神经。自提出BCI系统以来,其研究领域一直得到广泛的关注并且受到各研究学者们的青睐。因此,本文的主要研究内容是基于运动想象的脑电信号的特征提取与分类算法研究。其中,最为关键的便是提取有效的特征及优化分类器性能提高分类准确率。本文采用共空间模式(CSP)和小波分析法提取二分类运动想象脑电信号的空间、时频特征并将其组合为融合特征用于后续分类研究。而对于提取到的各类特征向量分别采用各种传统算法与基于弹性网络的稀疏表示算法进行分类对比分析。本文的主要研究内容如下:(1)基于共空间模式与稀疏表示的运动想象脑电分类。首先,利用CSP算法提取运动想象ECoG信号的空域特征,这种滤波方法具有好的分离特性,可以有效地提取信号中的不同任务成分;然后,再利用提取到的能量特征进行后续分类。为了提高脑电信号的分类正确率,利用稀疏表示算法作为分类模型,其中引入弹性网络作为约束条件,并利用APG和LARs进行稀疏解码,该方法不仅可以在一定程度上避免过拟合问题,还能提高模型的泛化能力。最后,将该算法与传统的SVM等算法进行了对比实验。(2)基于时-频-空域融合特征的运动想象脑电分类。由于仅提取运动想象脑电信号的时频特征或空间特征会忽略不同通道间脑电信号的相关性信息从而影响分类识别的正确率。因而,为了取得更好的分类效果,本文提出组合时频与空域特征的特征提取方法。使用CSP提取空域特征,通过DWT和WPD分别提取运动想象脑电?节律作为时频特征,并将获取的两类特征组合成时-频-空融合特征。最后,利用SVM和SRC算法分别对融合特征、单纯的时频特征及空间特征进行分类对比。通过分析实验所得结果可证明一下两点:1)在特征维度发生变化的情况下,相较于其他传统的算法基于弹性网络的稀疏表示分类算法具有更为良好更稳定的分类性能;2)基于时-频-空域的融合特征克服了传统脑电特征提取方法的不足之处,充分结合了脑电信号中的时频特性和空域特性,并且在更简单高效的分类算法中节约运算时间,提高了分类识别效率。