“脑-计算机”系统(brain-computerinterface，BCI)是用人的意愿实现人脑与计算机或其他电子设备通讯和控制的系统。BCI的研究涉及认知活动产生的神经生理学机制，涉及脑神经系统中神经元、神经元群和神经网络等各个层面，其中，脑电信号(electroencephalograph，EEG)的分类和脑电信号模型的研究扮演着重要角色。 本文针对“脑-计算机”系统的综合设计问题，基于计算智能的理论和方法，对EEG展开分析，研究了EEG模式的分类和识别问题，并试图建立产生事件相关脑电的模型，所取得的主要研究成果如下： (1)脑电信号的高时-频分辨率分析方法论文提出一种事件相关脑电的高时-频分辨率分析(HighTime-FrequencyResolutionAnalysis，HTFRA)方法。此方法将脑电信号分解为最匹配于信号结构的时频原子的和，结合遗传算法寻求最优的时频原子，并用维格纳-威尔分布(Wigner-VilleDistribution，WVD)导出信号不存在交叉项的时-频表示。对仿真信号和“脑-计算机”系统中脑电信号采用传统的短时付氏变换、Wigner-Ville分布、小波变换及HTFRA求时频能量分布，结果显示：HTFRA较传统的方法更清晰地反映信号在时频域内的能量变化。 (2)用于脑电信号分类的自适应生长型神经网络论文针对脑电信号的特点创建了自适应生长型神经网络(AdaptiveGrowthNeuralNetwork，AGNN)模型，一种可用于“脑-计算机”系统中脑电信号分类的模型。AGNN从一个输入节点开始学习，根据外部规则调节神经元的权值，并逐渐增加新的输入节点及新的隐神经元。构造出的AGNN是一个窄而深的网络，有接近最小数目的输入神经元、隐神经元及网络连接，能有效地防止网络的过拟合。网络的计算成本低，学习速度快。 在奥地利Graz科技大学的“脑-计算机”实验中，被试者根据声音和箭头的提示想象左手或右手运动，通过置于感觉运动区附近的电极提取脑电信号，经模式识别后控制屏幕上进度条向左或向右移动。用基于高时-频分辨率分析的特征提取方法和AGNN分类模型，对Graz科技大学通过互联网提供的4名被试者共1360次时程为7s～9s的脑电信号进行分类，正确率均在90％以上。 (3)事件相关脑电去同步化和同步化(ERD/ERS)的神经元群模型的建立论文提出了基于丘脑-皮层网络的神经元群模型以研究被试者在某种认知状态下脑功能区的连接状态。模型包括三个模块，分别对应脑电头皮电极C3,Cz,C4记录的三个皮质区。模型外部输入包括用高斯白噪声表示的上行传入感受器信号、用直流偏移表示的皮质对丘脑的兴奋性输入、用指数衰减表示的来自脑干和前脑基底神经元的调制信号，模型输出的兴奋性神经元群的平均膜电位代表局部脑电电位。改变模型输入，进行多次仿真试验并进行线性和非线性分析。仿真结果显示了与实际“脑-计算机”系统实验一致的事件相关去同步化和同步化现象；模型中功能相近的区域间有更强的耦合，随着耦合强度的增加，输出信号间的相关性和同步性均增加。 本文在以上工作的基础上，构建了虚拟的“脑-计算机”系统(BCI)。该系统采用高时-频分辨率分析方法和自适应生长型神经网络区分左右手想象运动时的脑电信号，用分类器的输出控制进度条的移动，设计了BCI的动态演示过程。采用互信息技术评价BCI的性能，并与国际BCI竞赛的结果进行了比较，显示了本文方法的有效性。 本文的研究工作在提高“脑-计算机”系统的可靠性和有效性、促进神经科学和认知科学领域的基础研究、增进对神经系统的了解以助于开发新技术以再生脑等方面具有积极的意义。