脑-计算机接口(Brain Computer Interface,BCI)作为一种新的人机交互技术,是一个多学科交叉的研究领域,涉及神经科学、信号处理,以及模式识别等多个方面。BCI技术最初用于帮助有肢体运动障碍的人进行康复训练,如今在辅助医疗诊断、工业控制以及游戏娱乐领域均有广泛的应用前景。根据脑电信号(Electroencephalogram,EEG)产生机制的不同,BCI系统有着不同的分类,其中基于运动想象(Motor Imagery,MI)的BCI系统被认为是最具有发展前景的一种脑机接口系统。传统脑电信号分类方法大多将特征提取和分类分为两个弱耦合的独立阶段,使用特征提取算法提取信号时域、频域或空间特征,利用机器学习算法建立特征与目标类别之间的映射,最终在多种分类算法中选出最佳的分类器。传统方法需要手动选择特征,缺少先验知识、特征类型单一,分类精度难以提高,个体间差异大。为解决以上问题,本文以小波时频图像作为分类器的输入,保留运动想象脑电信号时频信息和电极相对位置信息;以卷积神经网络作为时频图像的分类器,充分利用神经网络的非线性表示和特征抽取能力。本文在国家自然科学基金项目的支持下,面向运动想象脑电信号开展研究,提出了基于小波时频图像和卷积神经网络的运动想象脑电分类方法。与传统向量形式的特征不同,本文基于小波分析的多分辨率分析理论,利用小波变换生成脑电信号的时频图像,通过组合多个通道的时频图像作为卷积神经网络的输入。针对所选数据集,设计了包含两个卷积层的神经网络,采用1D和2D两种尺寸的卷积核。在BCI 2003数据集Ⅲ上,分析了不同通道、不同种小波、同种小波在不同参数下时频图像的分类效果,最佳分类精度达到92.75%;将BCI 2008数据集2a上的结果与其他算法对比,9名受试者的平均分类精度达到80.7%,高于传统方法,标准差降至7%;1D卷积核相比于2D卷积核,平均分类精度更高但个体差异更大。在自主开展的运动想象脑电实验数据上的结果取得了与前两组数据一致的结论,平均分类精度比采用传统CSP算法提高了9%,进一步说明所述方法作为一种新形式的运动想象脑电信号分类方法具有较高的分类精度和较小的个体差异,为脑电信号分类研究提供了新的思路与方法。