自发脑电信号从一定程度上反应了大脑的思维活动，从自发脑电信号中动态的掌握思维过程的状态变化，获得更多关于思维活动的信息是当今脑电研究中的一个热点。如何从脑电信号中提取更加有效的相关特征，以及对这些特征进行正确合理的分类是其中的关键。论文中，我们采用了线性预测、多变量AR模型和小波变换三种方法从脑电信号中提取特征，脑电信号包括静息和心算两种思维模式；然后采用LVQ神经网络对这三种特征进行分类并对分类结果进行了比较。脑电信号取自10-20电极系统中的C3、C4、O1、O2、P3、P4六个电极，采用单极性导联模式。@@在分类结果中，利用小波变换提取的特征进行分类得到的正确率最高。这是因为bior6.8小波的形状与脑电信号极为近似，因此采用这种小波对信号进行分解得到的系数精确的近似了脑电信号在不同尺度下的组成。同时，在对脑电信号进行Mallat分解时，分解后的各层分量的频率范围与临床脑电图学中定义的各频段范围近似，从而对不同状态下的脑电信号有较显著的反映。在多变量AR模型提取的特征中，考虑到导联间的相互作用，将不同导联间的相关参数也用作特征，但分类的正确率并不高；这表明，大脑的不同部位在功能上存在着差异，表现为各导联脑电信号的不同，过多的相关参量减小了不同模式脑电的特征在矢量空间中的距离，增加了分类难度。LPC算法得到的分类正确率不是最好，但有着较高的正确率；另外，LPC算法的计算量小，有利于实现实时系统。@@在论文中，提出采用LVQ神经网络对不同思维状态下的脑电信号进行分类。LVQ神经网络是一种有监督的自组织神经网络，网络通过竞争学习过程可以对数据进行较好的适应。在实验中，对于每个被测者，网络通过学习后均能对其脑电信号进行较好的分类，为下一步利用脑电信号进行设备控制或进行疾病分类的研究提供了较好的方法。@@在脑电分析中，所采用的信号的频率范围通常为0.5～30Hz。已有的研究表明，在更宽的频率范围内仍然包含有与大脑思维过程有关的信息，尽可能多的提取与思维活动有关的信息有利于提高分类的准确率，为此，我们重新研制了脑电采集设备，以满足研究的需要。另外，由于脑电信号极其微弱，如何获取良好的脑电信号在论文中也进行了分析。