脑—机接口(Brain-Computer Interface, BCI)是在人脑和计算机或其它电子设备之间建立的一种直接信息交流和控制通道,是一种不依赖于常规大脑输出通路(外周神经和肌肉组织)的全新信息交流系统。BCI作为一种全新的信息交换与控制技术,将能为瘫痪病人,特别是那些丧失了基本肢体运动功能但思维正常的患者,提供一种与外界进行信息交流与控制的新途径,正受到越来越广泛的关注。某些类型的事件相关现象体现了连续脑电(electroencephalograph, EEG)信号在特定频域内能量的减少或增加现象,分别反映出皮质神经细胞群同步性活动的减弱或增强。其前者定义为事件相关去同步(event-related desynchronization, ERD),后者定义为事件相关同步(event-related synchronization, ERS)。本文根据想象动作可以引起脑电信号的ERD/ERS特异性变化这一思想,设计了一组基于想象动作电位的BCI实验,其核心研究内容是如何通过提取脑电特征参数来识别想象动作的发生。本文分别使用了时频图谱(Time-Frequency Spectrogram, TFS)、功率谱密度(Power Spectral Density, PSD)、复杂度(complexity Kc)以及两种信息熵:功率谱熵(Power Spectral Entropy, PSE)与小波熵(Wavelet Entropy, WE)作为特征参数,对手部想象动作执行前、后的动态脑电信号进行分析,并与目前常用的mu节律事件相关去同步(ERD)参数进行比较,以期寻找特异性更强的动态参数。实验结果显示在想象动作条件下,在对侧的运动、感觉区域中,TFS、PSD、Kc、PSE和WE均表现出与mu节律的强度变化具有明显的锁时相关性。同时这些参数对左、右手想象动作的响应也具有显著不同,且区分错误率呈明显的降低趋势。利用上述特征参数对想象动作电位测试数据进行分类的结果表明:分类的最高正确率可超过80%;其中PSD、Kc、PSE和WE具有良好的时域分辨能力和较准确的区分效果,可以作为特征参数用于在线BCI系统;并且应用Mahalanobis距离判别法能够明显提高模式识别的正确率(普遍提高5个百分点),可获得比直观比较法更为满意的分类结果。以上研究结果将为实时BCI系统的设计提供良好的实验依据。