脑机接口(Brain Computer Interface,BCI)是通过计算机或者其他的电子设备在大脑与外界环境之间建立的一条独立通路,它不依赖于肌肉组织和外周神经直接实现对外交流和控制。脑机接口为丧失部分或全部肌肉控制功能的患者提供了一个与外界沟通的新途径。本文主要研究了脑电数据的处理方法,对脑电信号处理中运用的预处理、特征提取和模式分类算法做了详细介绍,同时通过离线的两分类运动想象脑电数据集对算法进行验证。论文中首先概括介绍脑机接口的概念、系统组成,总结了脑机接口研究领域的兴起、研究现状以及应用成果。详细地阐述了脑电信号的预处理、特征提取和模式分类算法。特征提取算法的有效性直接影响着分类的效果,利用小波分解和小波重构技术对运动想象脑电信号进行多尺度分析,提取出各个频段里特征最明显的信号,对信号进行求和平均处理,计算累积小波熵。将累积小波熵与AAR算法相结合,提取脑电信号的多维特征,提高了分类的正确率。仿真结果表明,对单独子频带进行分析,可以提取出隐藏在运动想象脑电信号中更为精确的信息,累积小波熵与AAR模型参数的结合,使分类准确率明显提高。分类器的选取尤为重要,提出了将基于无迹卡尔曼滤波(UKF)的神经网路作为识别左右手脑电信号特征的分类器。UKF算法经过快速的迭代运算可准确估计出神经网络的权值,完成对神经网络的训练。分类结果表明,该分类器的分类性能优于常用的线性判别分析(LDA)和支持向量机分类器。针对运动想象两分类脑电数据集,采用了多种特征提取与分类算法组合,分析小波熵在不同节律下的特征,将自适应自回归(AAR)与累积小波熵相结合,得到了更低的分类误差。为了获得更高的分类准确率,本论文将基于UKF的神经网路应用在脑电数据处理分类器优化问题上,并与LDA分类器和支持向量机(SVM)的分类结果作对比。最后介绍了BCI2000平台,对基于感觉运动节律的BCI实验进行仿真,模拟意念控制。