脑-机接口(Brain-Computer Interface,BCI)是新的大脑与外界环境进行直接通信的通路。随着各个基础科学的共同发展,综合了诸多学科的脑-机接口已经从最初主要的医疗、康复等应用领域拓展到了军事、交通、娱乐等新的领域。现在脑-机接口不仅能够为残障人士提供辅助,而且还能够为正常人群提供一种新的娱乐、工作方式。基于脑-机接口这门综合学科的重要研究价值以及脑-机接口在人类社会中的广泛应用前景,美国、欧盟等世界发达国家和地区已经提出了多种大脑研究计划。随着这些大脑计划的提出,脑-机接口正成为世界范围内的重要研究领域。论文主要对基于运动想象的脑-机接口进行研究。在基于运动想象的脑-机接口中,特征提取和模式识别是最为关键的两个部分。这两个部分直接影响脑-机接口的性能,所以论文对这两个部分进行了重点探讨。论文根据在脑电信号中广泛应用的相位同步特征,衍生出了频率同步特征的概念。由于大脑不同区域的活动变化体现出节律性,论文就期望通过直接利用这种节律的变化来提取脑电信号的特征。论文根据锁相值(Phase Locking Value,PLV)的定义,定义了锁频值(Frequency Locking Value,FLV),其中FLV包括互锁频值(Mutual-Frequency Locking Value,MFLV)和自锁频值(Self-Frequency Locking Value,SFLV)。论文将PLV与MFLV和SFLV应用到BCI竞赛2008 2b数据集和自主采集的脑电信号中,并做了对比实验,实验结果显示新的频率同步特征比相位同步特征更好地表达了大脑活动的变化,当MFLV和SFLV作为脑电信号特征时能够获得更好的分类正确率。SVM(Support Vector Machine,SVM)和HMM(Hidden Markov Model,HMM)都以统计学习理论的概率模型为基础。根据SVM的基本理论,SVM的最优分类函数主要体现了样本类与类之间的差异,而HMM则通过同一类样本建模,体现了一类样本类内的相似性。论文将这两种方法结合建模,创建了SVM/HMM混合模式的拓扑结构,并将这种新的模式识别方法应用到实际的脑电信号中。实验采用BCI竞赛2008 2a数据集和自主采集的脑电信号,通过与SVM分类结果的比较,验证了SVM/HMM混合模式对两类脑电信号和四类脑电信号进行模式识别的有效性。论文对脑-机接口中最为核心的特征提取和模式识别两部分进行了研究。在BCI竞赛数据和自主采集的脑电实验数据的基础上,分析和讨论了频率同步特征和SVM/HMM混合模式应用在脑电信号中的有效性。频率同步特征和SVM/HMM混合模式为这两部分分别提供了一种新的解决思路和方法。