脑电接口(Brain-Computer Interfaces,BCI)为脑和外界提供了直接的交流工具,已经被学者们广泛研究。脑电信号(electroencephalogram,EEG)因为研究成本低而成为研究BCI的主要数据来源。因此,EEG在生活和科学研究中扮演重要角色。对于BCI的研究,EEG的不稳定性和非线性为其带来了巨大的挑战与困难。从原始信号中提取有效的特征对分类起着至关重要的作用。特征提取和特征分类是脑电信号处理的主要内容。特征提取可以采用某种单一的算法,比如自回归模型、样本熵、近似熵、小波包分解、快速傅里叶变换、希尔伯特变换等;也可以是两种算法的结合,比如经验模态分解和固有模态函数的结合、阶段封锁值和希尔伯特变换、小波和熵的结合等。本文针对各特征提取算法和分类器展开研究,主要工作如下:1.单一算法提取特征。本文对单一特征提取算法进行了实验对比,特征提取算法分别采用了样本熵和自回归模型,分类器采用了支持向量机,并对参数进行了寻优。在五种思维数据集上进行了验证,实验结果表明,两种特征提取方法的处理时间短,相比于样本熵选取参数的繁琐,自回归模型取得了更好的分类结果。2.两种算法结合提取特征。针对EEG信号的非稳定和非线性特性,本文提出了一种新的脑电信号分类方法,以提高分类准确率和处理时间。本文将小波包分解和样本熵结合起来,提出了一种基于小波包分解的样本熵特征提取方法。在分类器的选择上,该方法运用了极限学习机。为了验证提出方法的有效性,本文做了大量的对比实验,与下列方法进行了对比:基于小波包分解的近似熵为特征提取方法,极限学习机为分类器;基于小波包分解的样本熵为特征提取方法,支持向量机为分类器。实验在癫痫数据集和五种思维数据集上分别进行了验证。实验结果表明本文提出的特征提取方法取得了较好的分类性能,具有较高的分类精度和较少的训练时间。