脑-机接口系统将采集到的脑电信号进行解码，把解码后的信号当做使用者意图的控制信号，然后输出命令用来控制外部系统。脑-机接口是大脑直接与外界通信的桥梁，实现了人类意念控制外界的设想。这项技术可以改变人们未来的生活方式，例如改善严重运动障碍人群的生活质量。
　　在“模拟阅读”脑-机接口系统中，特征提取与模式分类是脑电信号解码的关键环节，如何更有效地找到脑电信号解码的方法，是提高脑-机接口系统在线识别精度的重要手段。目前，深度学习在图像领域展现出了巨大的潜力，它是模仿人脑的思维抽象过程发展而来。深度学习的出现和脑-机接口的发展相辅相成，使得外界了解大脑与大脑对响应外界认知任务两者互相促进。因此，本文着眼于深度学习模型，对脑电信号进行解码研究，旨在挖掘其深层的特征表达，以提高脑-机接口系统的性能。为此，本文从以下几部分内容进行研究：
　　1）获取“模拟阅读”脑-机接口的脑电信号，在脑电数据处理上，本研究一改传统的数据输入格式，首次提出“脑电视频”。该数据格式通过两种规则设计实现，第一种是以功率谱为基础的脑电地形图，连续时间的二维脑波图像形成了脑电地形图视频；第二种方式按照一定的空间规则排布进行数据拼接，然后把连续时间帧的空间信息堆叠，得到脑电视频。这两种数据格式不仅包含大脑的空间分布信息，还反映了时间信息的关联，丰富了数据所包含的事件相关信息。
　　2）设计并实现了稀疏降噪自编码模型。在改进模型中，对隐含层神经元个数和降噪系数等问题做了深度研究，并把隐含层编码的特征连接到支持向量机，发现该模型能够提高脑-机接口的分类性能，表明深度学习的方法比最佳单通道更加有优势。
　　3）设计卷积神经网络的模型，借鉴其在图像领域特征学习的“局部感受野”和“权值共享”思想，自主学习脑电信号的特征。对本研究提出的脑电视频数据，设计并实现3D卷积神经网络，对两种规则的脑电视频进行特征提取，挖掘脑电数据中丰富的信息。结果与传统的最佳单通道算法相比，分类正确率有了进一步的提高，改善了脑-机接口的性能，表明深度学习网络能够更加有效地学习脑电数据的特征。
　　本研究是深度学习在“模拟阅读”脑-机接口的首次成功，对深度学习在脑-机接口领域的应用提供了新的思路与方向。