摘要: 脑机接口是一种新兴的通讯方式，允许人类与机器之间进行非物理通信。作为一种新兴技术，存在许多不足之处，比如信息传输速率较低、易用性较差等。本文针对这两个问题，在脑机接口相关算法领域展开研究。 结合脑机接口的生理学基础，对四种运动想... 展开 脑机接口是一种新兴的通讯方式，允许人类与机器之间进行非物理通信。作为一种新兴技术，存在许多不足之处，比如信息传输速率较低、易用性较差等。本文针对这两个问题，在脑机接口相关算法领域展开研究。 结合脑机接口的生理学基础，对四种运动想象脑电信号在时域、频域和时频域上进行对比分析和了ERS/ERD分析，分析总结不同运动想象脑电信号之间的差异性。对脑电信号采用不同进行预处理，通过对比效果选定预处理方法。针对易用性差的问题，提出一种基于脑电信号能量变化的导联选择方法并对其进行验证。 针对信息传输速率低的问题，本文提出一种基于多域融合特征的脑电信号特征提取方法，并对Fisher线性判别的分类流程进行改进，改进后的双层Fisher线性判别的分类正确率有了明显提高。分别基于Hjorth参数、AR功率谱估计和小波包分解对运动想象脑电信号进行时域、频域和时频域的特征提取，利用Fisher线性判别对提取出的特征进行分类，验证相关特征的有效性。 将深度学习应用到四种运动想象脑电信号的分类识别中，针对深度学习需要较多数据训练的问题，本文提出一种基于经验模式分解的多域融合特征提取方法，与直接进行特征提取相比，本文提出的算法可以有效提高深度学习的分类正确率。针对LSTM神经网络参数选择的问题，本文利用模拟退火算法对LSTM神经网络的主要参数进行优化，从而提高分类的正确率。 使用EPOC+头盔仪搭建了脑电信号采集平台，设计了四种运动想象任务的采集时间范式，自主采集相关脑电信号。对不同个体间运动想象脑电信号差异进行了对比分析，对采集的脑电信号利用相关算法进行了特征提取分类。 收起