人机交互是人工智能的重要组成环节,大脑与机器的交互是人机交互中最具有挑战性的一类。脑机接口(brain-computer interface,BCI)直接将人脑与机器进行互相交流,在许多领域具有发展潜力。由于脑电信号(Electroencephalogram,EEG)获取比较困难,信号本身具有非线性、非平稳性等特点,因此,如何提取EEG并将其应用到实际应用中具有重要意义。过去三十年,该领域学者通过时频分析、非线性分解等方法获得较大的进步。近十年,深度学习的兴起使脑电信号的特征提取和识别得到了新的突破,本文在分析现有常见的几种方法的基础上,采用改进的深度神经网络来分析并解构EEG。本文首先对现有常见的几种深度学习EEG处理方法进行分析,包括深度信念网络(Deep Belief Network,DBN)、降噪自动编码机(Denoising Auto-encoder,DAE)、卷积神经网络(Convolutional Neural Network,CNN)等。通过分析上述方法,并考虑到脑电数据集规模较小,采用深度堆叠网络(Deep Stacking Network,DSN)进行改进实验,针对深度堆叠网络训练时间较长导致梯度消失的问题,将自适应学习速率的思想引入DSN的训练算法中,以加快其收敛速度,并通过半监督方法训练受限玻尔兹曼机,通过性能分析确定学习率系数的调整范围。采用两组数据集进行对比实验,实验结果表明,引入自适应学习率的DSN的识别准确度更高,收敛速度更快,并且可以有效地对运动想象信号进行分类。由于脑电数据信噪比低,为更好地提取信号特征,提出首先采用经验模式分解(Empirical Mode Decomposition,EMD)并重构EEG,再通过DAE对重构后的EEG进行分类识别的方法。该方法中,DAE根据模拟退火原理自适应获取其噪声系数,并在训练过程中通过自适应学习速率来解决非凸网络中的局部最小值。相应的结果表明,该网络模型相较无自适应的噪声调整,可取得更快的收敛速度和更高的识别精度。在该模型基础上,设计并搭建了基于脑电接口的智能轮椅控制系统,实验结果表明,该方法可以有效地进行运动想象信号的左右手运动识别,验证了本文分类算法模型的有效性。