脑-机接口(Brain-Computer Interface,BCI)是一种基于计算机的系统,可以将脑电信号转换为对外部设备的控制信号。BCI技术的独特之处在于它不依赖大脑周围神经与肌肉的正常输出通道。BCI技术的主要应用领域是医疗康复,如肌萎缩侧索硬化症,脑干中风或脊髓损伤。BCI技术可以让患有严重运动障碍的人与计算机或其他外部设备进行通信。同时,这种新型技术在人工智能、新型娱乐、军事以及航天等领域也有着很大的潜在应用价值。本文研究的是运动想象脑电信号的分类问题。在对脑电信号进行分类时,传统的机器学习算法往往需要充足的训练样本,才能获得较高的分类准确率。但是,当训练样本数量较少的时候,很难构建出性能很好的分类器。在BCI系统中,由于脑电信号的个体性差异较大,限制了对不同实验对象实验数据的复用性。如何利用不同实验对象的实验数据,从而在训练样本不足的情况下得到良好的分类准确率,是BCI系统中的一大难点。本文基于运动想象的BCI系统,围绕上述BCI系统中小训练样本分类的问题,从辅助样本与目标训练样本的相关性和辅助样本对构建目标分类器的影响入手,提出了两种基于运动想象的迁移学习分类算法。主要研究成果包括:1.提出了去除不相关辅助样本的迁移学习方法。该方法考虑辅助样本与目标训练样本的相关性,将错分类的辅助样本当作与目标训练集不相关的辅助样本,从辅助样本集中剔除,再进行基于实例的迁移学习。2.提出了不同辅助样本正负比例的迁移学习方法。本文提出了一种新的评价标准,用于评价辅助样本对目标训练样本的影响。并且基于这个评价标准,选择最适合的辅助样本的正负样本比例。同时,对于本文研究的多辅助对象系统,基于这个评价标准,赋予不同辅助对象不同的权值。实验结果证明,本文提出的两种方法实现了在目标对象只有少量训练样本的情况下,构建出了可靠的分类器,与传统机器学习分类算法相比,分类准确率有了明显提高。