脑-机接口(BCI)是一种通过测量大脑信号来控制计算机或其他外部设备的通信系统,旨在绕过大脑外周神经和肌肉实现大脑与外部世界直接的通信,是一种新的人机交流方式。该技术可望为严重运动残疾患者或健康人群在特定情况下提供可选的、新的通信或控制方式。脑机接口(BCI)中传统的想象任务是运动想象,要求被试想象移动自己身体的某一部位,这种想象任务具有一定的难度,甚至存在运动想象盲,从而导致该类BCI难以实用化。本研究采用一种较少被研究且易完成的心理想象(视觉想象)构建BCI。但该类BCI的分类难度较大,需要设计有效的视觉想象任务组合和探索有效的特征提取方法。本论文的主要研究内容如下:(1)设计本论文的第一个实验范式,采用了EMD和AR模型组合方法提取视觉想象脑电特征。EMD是一种适用于非线性,非平稳信号的分析。本研究采用EMD把脑电信号分解为平稳的本征模态(IMF)函数,然后对每个IMF分量建立自回归模型(AR)参数,进而提取自回归模型参数以及残差的方差作为特征向量。另外,本研究还采用了在时域具有很高分辨率的AR模型提取脑电信号的自回归参数特征,采用在时域和频域都具有很高分辨率的希尔伯特-黄变换(HHT)提取脑电信号的平均瞬时能量特征进行对比。(2)设计了本论文的第二个实验范式,采用微状态分析采集的脑电信号数据。本文采用一种改进的K-means聚类算法对脑电信号进行微状态分析,研究了18名被试视觉想象下肢动作的脑电。从多通道脑电信号中提取出来4种典型的微状态。并在平均水平上对两类信号的微状态时间序列参数进行分析比较,获得了其中的差异性。结果表明,这两种VI任务诱发的脑电信号之间最显著的差异出现在微状态1和微状态4。(3)脑网络的构建与特征分析。本文选取32个电极作为网络节点,分别采用互信息、相干计算关联系数构建脑功能网络。利用图论分析方法计算脑网络的节点度、聚类系数、特征路径长度、全局效率和局部效率,分别以网络属性特征和不同维度邻接矩阵空间特征构建特征向量。通过研究发现两类VI任务在节点度、聚类系数和特征路径长度上存在较显著差异,在全局效率和局部效率存在的差异不大。从邻接矩阵来看,基于互信息抬腿和落腿动作视觉想象脑电数据的总平均邻接矩阵的差异更明显。从脑功能网络来看,脑网络主络主要的核心节点分别为F8、FT8、FCz、CP4、TP8、PO7和O1,即右前额到左枕叶的连接。(4)采用支持向量机(Support Vector Machine,SVM)对两类视觉想象任务脑电信号进行分类。针对本文设计的视觉想象静动图片组合的范式,结果表明:EMD和AR模型组合方法优于HHT和AR模型,取得了78.06?2.07%的平均分类精度。针对本文设计了的下肢动作视觉想象范式,采用了微状态方法提取差异显著的微状态1和微状态4的时间参数作为特征向量,结果显示采用微状态所取得的平均分类精度分别为80.6?2.58%。采用脑网络分析下肢动作视觉想象。结果表明基于EEG互信息和相干邻接矩阵空间特征是识别所设计的VI任务的有效特征,8维互信息邻接矩阵和6维相干邻接矩阵构建的空间特征的平均分类精度分别为90.12?5.43%和87.47?7.01%。本研究可望为构建新型的在线视觉想象脑机接口用于下肢运动障碍康复提供思路。