摘要: 脑机接口（Brain-Computer Interface，BCI）是一种不依赖于大脑外周神经与肌肉组成的正常输出通路的通讯控制系统。经过几十年的发展，BCI已经不仅仅用于辅助残疾人士与外界的交流，还应用到了医疗康复、环境控制和娱乐等领域。总之，提高残疾人士的... 展开 脑机接口（Brain-Computer Interface，BCI）是一种不依赖于大脑外周神经与肌肉组成的正常输出通路的通讯控制系统。经过几十年的发展，BCI已经不仅仅用于辅助残疾人士与外界的交流，还应用到了医疗康复、环境控制和娱乐等领域。总之，提高残疾人士的生活质量一直是研究BCI不变的初衷。而运动想象（Motor Imagery，MI）脑电信号是完全可以不借助于外部设备而产生的自发脑电信号，因此运动想象脑电信号被认为是最适合用于脑机接口的脑电信号。 本文在经典的四类运动想象脑电特征提取方法“一对其他”共空间模式（One-Versus-Rest Common Spatial Pattern，OVR-CSP）的基础上，提出了一种OVR-CSP的改进算法。基于OVR-CSP的特征是由信号的方差构造而得到的，反映的是大脑相应区域的能量变化。然而，该类特征并不包含大脑不同区域之间的协同合作和信息交流方面的信息，并且这些信息有利于正确分类。而通过同步性分析方法能够快速获取这类信息，互相关函数（Cross-Correlation）是分析同步性的一个有效方法。因此，本文将基于OVR-CSP的特征与通过互相关函数提取的特征进行融合得到最终的分类特征。那么，该特征包含的信息就是运动想象相关区域的能量变化和该区域相关导联的同步性信息。该算法在第二届国际BCI竞赛的公共数据集上的实验结果显示，对本文提出的特征提取算法得到的特征进行分类，得到的Kappa平均值是最高的，达到了0.59，同时其方差是最小的，大小为0.031。这表明，本文提出的特征提取算法具有较好的分类效果，并且具有较强的个体差异适应能力。在此基础之上，又进一步讨论了加窗对算法性能的影响。 针对现有脑机接口的体积大、操作繁琐和应用场合受到极大的限制的缺点，本文采用便携式脑电采集设备EmotivEPOC+进行运动想象脑电信号的采集，将本文改进的脑电信号处理算法用于四类想象运动的分类任务，在便携式脑电采集设备EmotivEPOC+上构建了基于OVR-CSP和互相关的运动想象脑机接口。该脑机接口是一个基于运动想象脑电的多任务控制平台，其中对外界设备的控制是通过图片的选择进行模拟。图片的选择是通过分类器识别出的不同的想象运动进行的，图片的上下左右运动分别对应想象左手、想象右手、想象脚和想象舌头。经过离线实验测试，本文实现的脑机接口具有较好的性能，为进一步利用Emotiv EPOC+进行脑机接口的开发打下了必要的基础。 收起