脑-计算机接口(Brain-computer Interface,BCI)创建了一个新的通信通道,并产生从大脑皮层到接收装置的信号。该技术主要运用的是非侵入方法,脑电(Electroencephalography,EEG)是常见的建立BCI技术的方法。近年来,由于神经学科、模式识别、信号处理和电子测量技术的推动,脑机接口技术引起了越来越多的关注。其包含五个主要部分,其中如何提取出脑电信号的有效特征并提升分类的正确率是脑机接口技术探讨的重点。论文的研究对象是提取的想象运动脑电信号,先对于EEG信号作相关描述,并进行EEG信号特征提取的方法研究,最终实现了对脑电信号的特征提取以及分类的研究。主要包含以下几个方面:(1)由于EEG信号的非线性特性,采用非线性方法可以有效的获得EEG信号的特征。论文采用集合经验模式分解联合近似熵的方法实现EEG信号的特征提取,将获得的特征作为支持向量机的输入来进一步完成分类,该方法的分类精确度为93.3%,表明了该方法的有效性。(2)基于公共空间模式(Common Spatial Pattern,CSP)滤波器的方法不能找到与运动想象相关的脑活动的多个频率带,这将会影响想象运动BCI技术的最终结果。为了解决这个问题,论文提出了集合经验模式分解结合有限冲击响应(Finite Impulse Response,FIR)滤波器组与CSP的EEG信号特性提取的方法。该方法在公共空间模式的基础上结合了集合经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)的频域信息,而且通过滤波器组过滤优化,来用于从想象运动任务中提取信号的特性并对其进行分类以得到较好的准确性。该方法分类精确度达到96.53%。(3)针对经验模式分解存在的过包络、欠包络与端点效应问题,论文提出了一种改进的经验模式分解(Empirical Mode Decomposition,EMD)。论文用分段三次hermite插值算法代替三次样条插值算法解决EMD方法中的过包络与欠包络现象;并且在分解过程中加入镜像延拓算法减少端点效应。通过对模拟信号仿真,比较相关系数、均方根误差、信噪比表明改进后的EMD优于传统的EMD。此方法运用在想象运动EEG信号上,将其与经验模式分解的实验结果进行对照,结果表明了改进后的EMD能够有效的解决过包络、欠包络与端点飞翼问题。