脑机接口是一种不依赖于人脑的正常输出通道的脑机通讯系统,是一种新的人机接口方式。它的实质是通过脑电信号推断人的想法和目的,从而实现人机交流。脑机接口既是人类了解和提高脑功能的重要手段,又是一种全新的通讯和控制方式,有望提高人们的生活质量。它在残疾人康复、正常人辅助控制、娱乐、脑认知等领域有广泛的应用前景。 脑机接口系统有很多种,我们主要研究基于左右手运动想象的脑机接口系统。基于左右手运动想象的脑机接口涉及三项技术：信号的产生和记录、信号的模式识别、实际应用。其中信号的模式识别最为重要,关系到能否将输入正确转换为输出。模式识别包括特征提取和特征分类两部分。本文主要研究特征提取和特征分类算法。人脑的脑电信号活动集中在运动皮层体现为mu(8-12HZ)节律,人们运动或者想象运动的时候都会伴随着mu节律的减小,这种减小叫做“事件相关去同步化”。我们的研究就是基于脑电信号的这个特性。 特征提取是指从信号中提取有用信息,形成初始特征,为后续不同脑状态的区分提供基础。本文中,我们从脑电信号中提取了两种类型的联合特征：一种是将时域上的幅值能量特征和频域上的频谱能量特征结合作为时频能量特征向量。这种时频能量特征,时域上采用传统的幅值大小作为特征向量中一个分量,使用现代特征提取方法中的AR模型谱估计作为频域特征作特征向量的另一分量。另外一种是采用多通道能量场强和空间复杂度作为分类特征向量。这种特征不仅包含了通道的能量成分,还包含通道间的相关性特征,为BCI系统大脑运动意识任务脑电特征提取与分类提供新思路。相对于单一的特征来说,适当的联合特征能够提取更全面的有利于分类的特征。实验结果验证了两种特征提取算法能得到良好的效果,具有可利用价值。 在BCI系统中,分类算法也是一个重要的组成部分。本文根据使用的实验数据的特点,选择适合小样本数据的线性分类器和支持向量机用于分类。线性分类算法简单,意义明确,计算速度快,能提高传输率,但是自适应能力差。支持向量机能很好解决数据线性不可分问题,大大提高了分类准确率。本文由于使用动态特征进行分类,得到的是实验的动态分类准确率。这样,我们可以看到在实验过程中采集的信号对分类结果的贡献,找出最能反映左右手想象运动的信号段和最佳分类时刻,对在线系统分类具有参考价值。