脑-机接口技术的核心思想在于将输入的观测脑电信号转换为输出的控制信号,从而驱动计算机设备。通过受试者头皮电极采集到的脑电(EEG,Electroencephalogram)非常微弱,并且伴随多种伪迹(Artifact)的干扰,给脑电信号的特征提取和后续分析增加了更大的难度。盲信号分离(BSS,Blind Source Separation)是在通信系统的输入和传输信道均未知的情况下提出来的,即对源信号的先验知识少知或不知,对传输信道特性也未知。本课题针对脑电信号处理中的问题,对基于BSS思想的自动去除EEG中伪迹的方法展开了研究。本文首先对脑电信号伪迹分离的研究背景和国内外研究状况做了介绍,然后学习了脑电信号的基本知识,详细阐述了脑电信号与伪迹信号的特性与分类,研究中着重考虑对脑电信号影响最严重的眼电伪迹和50Hz的工频干扰。其次介绍了盲信号分离的核心思想,其用于解决脑电信号伪迹分离问题时的数学模型、约束条件和预处理过程,还深入学习了盲信号分离的经典算法(JADE,FastICA)。在分析了传统算法局限性的基础之上,进一步寻求了脑电信号领域的一种全新的解决问题思路,本文首次尝试将Stone’s BSS算法引入EEG信号处理领域,为脑电信号的伪迹去除引入了新方法。Stone’s BSS突破了以往信号处理方法中要求源信号不能服从高斯分布和相互独立的局限性,只要求混合信号是时间可预测的,分别采用长、短滤波预测对混合信号作用,将BSS问题转变成一个广义特征分解问题,从而求得解混矩阵。文中还对Stone’s BSS进行了改进,引入遗传算法用于对长、短滤波调谐,使之成为一种成熟稳定的算法。紧接着选取了一组具有代表性的模拟信号对改进的Stone’s BSS与其他BSS方法的分离结果做了对比,理论上证明了改进算法在高斯型、亚高斯型信号分离中的良好性能。最后,结合目标信号的特征和性质,通过不同的实际数据对改进的Stone’s BSS算法在EEG中的眨眼伪迹(EOG,Electrooculogram)和工频干扰的分离展开了大量实验研究,选用恰当的评价指标对结果进行分析判断,结果表明改进算法和传统算法都能够完成EEG中的伪迹分离,改进的Stone’s BSS算法表现出更好地性能。本研究的工作也为Stone算法在生物信号领域的应用奠定了重要基础。结尾概括全文给出结论,并指出课题下一步可继续拓展深入研究的方向。