脑一机接口为人们提供了一个全新的与外界交流的通道。近几年来,基于脑电信号的脑-机接口问题已成为一个研究热点,然而脑电信号本身非常微弱,容易受到外界干扰的影响,且信号变换因人而异,这些问题都严重阻碍了该领域的进一步发展。论文的主要目的是通过对各种脑电信号数据识别,找到一个更加准确、合理的实验模型来分析脑电信号。论文基于脑神经生理学特征,依据人体自发脑电位与思维活动的关联性,主要针对当前脑-机接口应用中实际存在的一些问题进行研究,并对一些算法改进。论文进行了如下几个方面的研究:首先,论文对常用的一些空间滤波器算法进行对比研究。重点分析了它们降低头骨影响,更好地突出神经元活动特征的能力。针对两种主要的空间滤波算法——主成分分析法和盲源分离方法,进行了深入的研究,通过对比它们消除脑电噪音的程度,指出了各自优缺点;然后,论文结合拉普拉斯滤波算法和盲源分离方法,实现了HMM-AR模型在脑电频率变换过程中的状态监测,提出了脑-机接口实验数据的时间动态分割算法;再次,论文结合神经生理学知识,对两类任务分离问题的脑-机接口竞争数据进行了详细的研究,利用公共空间模型算法和支持向量机分离器相结合,实现了机器自动选择特定的空间滤波器,并有效的实现了两类任务分离。从而证明了基于支持向量机的公共空间模型算法在两类任务分离问题上的有效性。然后对公共空间模型算法进行改进,提出了多类任务识别的公共空间模型算法,到达了很好的效果。最后,为了提高脑状态分类正确率,论文重点提出了时间—频率—空间滤波器算法。论文对公共空间滤波器的构造进行了改进,提出了时变公共空间滤波算法,结合脑电信号频率特征,论文进一步提出了时间—频率—空间滤波器算法,该方法通过大量的实验数据证明,具有明显提高分类识别率的作用。本论文的特色在于针对当前脑-机接口存在的一系列问题提出解决方案,为脑-机接口系统真正用于人们实际生活奠定基础。其中的创新点如下:(1)根据μ和β波的特性,论文结合拉普拉斯滤波算法、独立成分分析算法和HMM-AR算法实现了脑-机接口数据的时域分析。几种方法的结合能够识别不同状态下,脑电频率的变换,实现自动区分“空闲”和“忙碌”两种脑电信号状态。(2)针对多任务识别问题,对公共空间模型算法进行了改进,提出了一种多类分离的算法。以竞争数据包为数据源证明了提出的多类分离算法的正确性、可行性,该算法不但能够提高总的信息传输率,而且能够保证较高的分类正确率。(3)为了提高分类识别率,提出了一种新的公共空间算法——时变空间滤波算法。该算法中,公共空间滤波器的值不再是常数,而将随着时间变化而变化,它能够有效的提高任务的识别率。(4)针对减少训练时间,提高分类稳定性的问题,论文提出了时间—频率—空间滤波器算法,这个算法是在时变空间滤波算法基础之上,考虑了频率的特点,通过简单连接输入信号,并进行延时来实现。实验结果证明了该方法的实用性。总之,通过以上的工作,论文给出了一整套自发脑电信号的提取算法,包括噪音消除、想象运动开始点的识别、脑电信号特征提取以及特征分类。论文研究成果经过国际公开数据检验,取得了很好的效果。