脑-机接口(Brain-Computer Interface, BCI)是一种不依赖正常的脑神经和肌肉输出通路的脑-机通信技术,它能为思维功能正常的肢体残疾群体提供一种新颖的人-机交互模式,相关研究具有重要的科学意义和应用价值。它以大脑采集的脑电(Electroencephalogram, EEG)信号为信息载体,实现大脑与外部设备的直接通讯和操作。头皮EEG信号能实时反映脑思维状态的变化,因此在非植入式BCI系统中得到了广泛的应用。BCI系统的关键在于从EEG中提取出能反映操作者主观意识的特征参数,并将其转换成系统需要的指令。然而,多通道EEG信号的空间分辨率、信噪比都非常低,并且EEG信号特征的个体差异性也非常明显,这些不利因素给EEG信号的有效分析和精确解码带来了很大困难。因此有效的EEG信号处理和特征提取技术对BCI系统实现具有重要的意义。本文以提高运动想象BCI (Motor Imagery BCI, MI-BCI)系统的识别率为基本目标,重点研究了共空间模式(Common Spatial Pattern, CSP)和独立分量分析(Independent Component Anaylsis, ICA)在运动想象EEG (Motor Imagery EEG, MI-EEG)空域特征提取新方法上,从以下几个方面做了一些特色工作：1.自主设计了左手、右手和脚的运动想象实验范式,多名受试个体参与脑电采集实验,因此采集了较丰富的MI-EEG数据,为后续用于MI-EEG的分类方法分析和特征提取打下了良好的基础。2.在两分类CSP算法的基础上,重点对矩阵近似联合对角化(JointApproximation Diagonalization matrix, JAD)和“一对多”(the One-Versus-the-Rest, OVR)的多类运动想象分类展开了相关研究。传统JAD方法在检测空域滤波器的设计过程中,重点需要对关键特征向量进行选择。但是基于“最高得分特征值准则”的特征向量选择方法出现了不同类别数据的最高得分特征值对应相同特征向量的问题,因此设计出无效或不能正确提取MI-EEG空域特征的空域滤波器,从而影响了多类MI-EEG信号的识别率。因此在传统JAD方法的基础上,提出了一种特征值自动选择方法以解决特征值选择无效问题,接着对基于OVR的运动想象分类做了详细地分析,并取得了理想的分类结果。3.研究了ICA算法及ICA检测滤波器的新方法。在此基础上提出了一种ICA空域滤波器(ICA Spatial Filter, ICA-S F)优化设计和EEG多子带特征的MI-BC1信息处理新方法,多道MI-EEG数据经空域滤波后,通常需要选择最优运动相关频带对运动相关节律进一步增强从而提高分类结果,但不同受试个体的运动节律频带会因个体差异性而存在较大差别。针对不同受试者进行MI-BCI系统参数优化(如,频域、空域滤波器的参数优化设计和分类器参数的学习),实现了针对个体的运动相关多子带优化组合。实验结果表明,多子带特征结合方法所得到的识别率比仅使用单频带所得的识别率普遍提高。4.对ICA算法结合遗传算法(Genetic Algorithm, GA) 的 MI-EEG特征检测及其优化方法展开研究。针对不同受试个体,通过GA对运动想象诱发的事件相关去同步(Event-Related Desynchronization, ERD)频段进行优化选择。如果能精确定位受试个体的运动节律频率范围,对改善MI-BCI系统的识别率具有很明显的帮助。EEG信号的非平稳性以及显著的个体差异性增加了寻求最优节律增强频带(Rhythm Enhanced Band, REB)的复杂性,从而影响了ICA算法的稳定性。因此设计了基于ICA的GA特征优化方法,经实验证明该方法具有较好的可靠性和实用性,可用于在线BCI的设计与实现。