导航是人类最基本的认知能力之一,判断位置以及规划路径是我们日常生活中的关键技能。导航过程需要大脑整合来自不同感官的输入信息,并涉及感知、记忆、决策等多种活动的相互作用。脑电信号可以反映大脑的活动状态,对不同导航状态诱发的脑电信号进行特征提取和分类将有助于我们深入理解这一复杂的认知过程。本文使用了 20名被试在导航任务中产生的脑电数据。首先根据脑电信号的特点,对原始数据进行预处理操作以提高信号质量,并采用常见的分割处理方法扩增样本数量,并根据任务对应的导航认知负荷量对脑电数据进行标注,以建立导航脑电数据集。针对传统脑电特征提取方法中存在的信息丢失问题,本文将样本中的导航脑电信号转换为二维的脑电功率谱图,这样的脑电功率谱图可以最大程度的保留信号的全局信息。进一步,本文实现了基于深度学习的导航状态识别模型。首先使用多个连续的窗口信号生成脑电功率图视频,通过图片帧序列表示脑电信号随时间的变化信息,再将多组平行的卷积神经网络结合LSTM网络应用于导航状态的识别,实验结果证明了该模型的识别精度明显高于传统的分类算法。在此基础上,本文对不同脑区信号的分类效果进行分析,确定导航认知状态识别中的关键脑区。最后,本文设计并实现了一个导航脑电分析系统。该系统由脑电数据文件处理、信号特征提取与上传、导航认知状态识别以及模型发布与训练等功能模块组成。本文对系统的需求分析、设计与实现等方面分别进行了详细阐述,并通过测试验证了系统的功能和性能。