脑机接口(Brain Computer Interfaces,BCI)是一种能够建立大脑与外部设备直接实时交互的通讯或控制系统。BCI可以通过分析脑电信号从而绕过外围神经和肌肉直接与外部交流或控制外部设备,这为运动能力严重受损的瘫痪病人带来了希望。本文主要研究BCI中对脑电信号的分析处理过程。针对BCI中左、右手运动不相同时存在的训练时间较长、分类准确度还不高和预测左、右手的运动轨迹时误差较大的情况,本文展开了如下研究工作:(1)针对左、右手以不同速度运动时的实验场景,论文提出了改进的CSP(Common Spatial Pattern)特征提取方法与机器学习分类算法相结合的数据分类模型。改进的CSP提取4个特征就能达到和该场景原论文提取的6个特征相当的分类准确度,但是分类的训练时间明显降低。论文分别使用了决策树,贝叶斯分类,SVM(Support Vector Machine)对数据特征进行分类,和实验原有的分类结果相比,论文的分类准确度明显提高。最后针对单一分类器的局限性,论文设计了基于 LDA(Linear Discriminant Analysis)、决策树、贝叶斯和 SVM 的自适应分类算法。并对上海交通大学进行的左、右手运动速度不同的数据和柏林医药大学所进行的左、右手想象运动实验中的数据进行了分析,得出本文设计的算法的分类准确度要优于单一分类算法。(2)提出了基于复数连续小波变换的特征提取方法和神经网络相结合的数据预测模型。并在预测猕猴手抓食物的运动轨迹的实验中,使用本文模型进行了预测,和实验原论文所做的预测结果相对比,本文模型的预测误差更小。