探索大脑的工作机制一直以来都是神经科学领域学者的重要挑战,人脑经由外围的神经和肌肉通道,完成与外部环境的通信与信息交换。现实生活中,有很多患有运动障碍疾病的人们,失去了最基本的与外界交流的能力。脑机接口(Brain Computer Interface,BCI)不依托于脑的正常输出通路,在大脑与外部世界之间,构建了可以直接进行信息传送的通道。BCI系统经过对采集到的脑电信号进行处理,进而将各异的思维状态转化成不同的控制命令,完成对外部设备的控制。BCI作为一种新兴的人机交互模式,为那些有严重运动障碍的患者提供了一个新的交流与控制的通道。当前,脑机接口的研究在神经科学、计算机通信与控制、生物医学工程等多个范畴已成为前沿热点。经由运动想象任务,激发大脑运动皮层脑电节律变动获取的脑电信号,作为基于运动想象的BCI系统研究的理论依据。其中,信号处理部分包含的预处理、特征提取和分类识别等作为关键环节,对BCI系统的分类性能有很大影响。本文立足于基于运动想象的BCI系统的研究,围绕脑电信号的特征提取和分类识别方法等内容开展了研究,并提出了一种运用S变换(S-transform,ST)和基于概率协作表示的分类算法相结合的脑电识别方法,并利用国际标准BCI竞赛数据库以及自采集的脑电数据来验证本文所提出算法的可行性。本论文的主要研究内容和创新点如下:第一,本论文扼要介绍了BCI系统的研究背景和意义,概述了BCI系统的定义和组成,并详细论述了BCI技术国内外的研究近况,总结了BCI技术所面对的问题与挑战。本文还简要介绍了脑电信号以及侵入式系统和非侵入式系统,并主要阐述了基于运动想象的理论基础。第二,本论文围绕特征提取的算法开展了研究,特征提取的优劣将会直接关系到分类的效果。S变换作为短时傅里叶变换以及小波变换的延伸,具有窗口函数随频率变化的多分辨率分析的能力,适用于对非平稳的脑电信号的分析。本文采用S变换对信号进行特征提取,并选取S变换之后的功率谱密度作为特征,能够准确定位感觉运动节律的频谱变化。第三,本论文研究了分类识别算法,给出了基于概率协作表示的分类器(Probabilistic Collaborative Representation based Classifier,ProCRC)以及鲁棒性的ProCRC(robustProCRC,R-ProCRC),用于完成两类想象运动信号的识别。该算法的主要思想是共同最大化测试样本属于每个类别的可能性,最后通过检查哪个类具有最大可能性来进行分类,具有明确的概率解释。第四,本论文详细介绍了运动想象的实验设计过程,并将采集的大脑头皮表面脑电图(Electroencephalogram,EEG)信号和数据库的皮层脑电图(Electrocorticography,ECoG)信号作为实验数据。实验结果表明,相较于传统贝叶斯线性判别分析和梯度Boosting分类算法而言,将S变换提取的特征与基于概率协作表示的分类算法相结合,能够得到更好的分类结果和较好的时效性,为今后脑电信号识别的相关应用研究提供了较好的参考价值。本论文首次将基于概率协作表示的分类算法,应用于脑电信号的分类识别,并取得了较好的实验结果。