各种脑部、神经系统疾患的增多,使脑科学成为21世纪具有挑战性的研究。许多有神经一肌肉障碍疾病的患者无法向外界传递信息,他们基本的活动能力以及与外界正常交流的能力都被剥夺了,他们所要表达的信息可能被完全阻隔在体内。因此对脑科学研究的需求就越来越迫切,人们渴望能够通过对脑科学及相关领域的研究来克服人类自身的缺陷和不足。最近几年,随着电子技术、计算机技术的飞速发展,脑电信号处理的基础已经逐渐成熟起来,脑—机接口(Brain-Computer Interface,BCI)的研究开始成为一个热点问题。在BCI的研究中,基于脑电信号的BCI系统因为简单、安全、无创而倍受关注。本文研究的就是基于想象运动期间脑电信号的BCI系统,目的是利用人的自发脑电,识别特定的意识任务,形成控制命令,从而实现人脑与计算机间的信息交换,希望为有严重行为障碍的残疾人提供帮助。这种基于自发脑电的BCI系统,系统简单,不需要外部刺激装置,训练过程短,适应范围广,有很好的应用前景。但从头皮上获得的自发脑电信号十分微弱,而且信号的信噪比很低,因此有效的脑电信号处理方法是BCI研究的一项关键技术。在总结前人工作的基础上,本文对脑电信号采集、处理进行了以下几个方面的研究。1)系统信号采集模块设计建立信号采集模块,采集脑电信号。在实验室已有的脑电采集设备及软件基础上,针对自己的课题研究,设计相应的大脑意识任务实验。按照实验要求,使用VC++6.0编写出相应的脑电信号采集软件。2)脑电信号预处理由于脑电信号本身极其微弱,非常容易受到各种干扰与噪声的影响,因此对脑电信号的去噪处理是必要的。本文分别采用了小波变换、数字滤波等方法对实验中采集的脑电信号进行处理,去除其中的心电、眼电、肌电等干扰信号,提取有效信息,取得了较好的效果。3)脑电信号特征提取有效地提取大脑思维活动时的特征信息是BCI研究的关键技术之一,是正确识别不同意识模式的基础。本论文将自适应自回归模型(Adaptiveautoregressive model,AAR)系数与事件相关去同步(evewt-relateddesynchronization,ERD)相结合提取脑电信号的一个特征,而将基于小波变换和shannon熵概念的小波熵(Wavelet Entropy)作为另一个特征,从而实现对想象左右手运动意识任务的脑电特征的提取。4)意识任务分类器设计分类器的设计是BCI系统中的另一十分重要的环节,分类器的性能将直接影响BCI系统的性能。本文采用了Fisher线性判别、人工神经网络和支持向量机(Support Vector Machine,SVM)几种分类方法。其中,支持向量机以统计学习理论为基础,它不仅要求最优分类面将两类样本无错误地分开,而且要使类间间隔最大,从而保证真实风险最小,能够较好地解决了小样本的分类问题。经过实验的分类比较,最终分类结果表明:支持向量机的分类正确率是最高的,能够很好的识别出想象左右手运动两种意识任务,得到理想的分类效果。采用本课题采集的数据,对于所提取的脑电特征,支持向量机分类的正确识别率可达83.3%,应用同样的算法对2003年国际BCI竞赛中的左右手想象运动数据进行识别时,正确率可达87.9%。这说明应用AAR模型系数的ERD/ERS、小波熵和支持向量机能够作为现在BCI系统设计中一种可行分类算法。