脑-机接口技术为大脑与外部世界的信息交换提供了有效通路。脑-机接口技术发展迅速而且被应用到了许多领域,例如机器人、智能轮椅和智能家居系统等。基于脑-机接口技术的智能家居系统研究最近受到了广泛的关注。使用者可以通过脑-机接口技术从脑信号中提取指令用于控制智能家居,但长时间的操作将导致使用者出现疲劳,其会影响使用效果和用户体验。此外,如何基于脑-机接口技术实现和提升智能家居系统的自主感知能力,实现用户与智能家居的有效交互也是一个亟待解决的科学问题。本文针对上述问题,设计P300范式下脑-机接口实验界面,使用者通过注视激励界面中的目标图片诱发得到ERP电位,通过对ERP电位的辨识可实现对电脑、电视机、电灯、窗帘,空调和热水器的控制。采集多位被试在正常操作与疲劳操作状态的脑电信号,研究发现疲劳会导致P300信号分类准确率降低,即控制准确率降低。在此基础上,本文发展一种多元加权递归网络理论,并针对不同被试在正常和疲劳状态下从EEG信号中构建加权脑网络,采用平均加权聚集系数和加权全局效率对生成的网络进行分析,揭示了脑控智能家居背景下的大脑疲劳机制,发现在疲劳状态下加权聚集系数和加权全局效率均比正常状态下更大,反映了疲劳状态的网络连通性更好,不同脑区的同步性更高,这从一定程度上说明了大脑在疲劳状态下通过加强连通性与同步性以减小认知负荷的疲劳机制。人机混合智能为人工智能的高级形式,为了实现人与家居系统的有效交互,本文发展多层有限穿越可视图理论分析睡眠状态下的EEG信号,实现对不同睡眠阶段的自主探测。本文构建了对应于清醒、浅睡眠和慢波睡眠三种生理状态下的多层有限穿越可视图网络,计算网络的聚集系数熵、平均节点介数、平均聚集系数、平均节点度值、全局效率、网络传递性和平均边界重叠7个网络指标,用于刻画网络的拓扑特性,在此基础上,将提取的网络测度指标作为特征向量结合支持向量机实现对不同睡眠阶段的监测,识别准确率可达到96.95%,表明本方法可以有效的辨识三种睡眠阶段,提升智能家居系统的自主感知能力。